KR20120014886A

KR20120014886A - Inspection recipe generation and inspection based on an inspection recipe

Info

Publication number: KR20120014886A
Application number: KR1020110079780A
Authority: KR
Inventors: 엘다드 랑마츠; 시몬 코렌; 메나켐 레겐스버거; 제하바 벤-에제르
Original assignee: 캠텍 리미티드
Priority date: 2010-08-10
Filing date: 2011-08-10
Publication date: 2012-02-20
Also published as: TW201220039A; US8699784B2; TWI547802B; US20120057773A1

Abstract

PURPOSE: An inspection recipe creation method and inspection process using the same are provided to define difference sections for objects by acquiring the quality of data in different locations. CONSTITUTION: A data acquisition module acquires data for one or more parts of an inspection target object(312). The inspection target object includes one or more objects of a predetermined class. A processor processes the data in order to provide an inspection recipe or detect faults. The inspection recipe includes an object model. The object model includes an additional geometric parameter and data which represents pixel values of the object.

Description

Inspection recipe creation and inspection recipe-based inspection {INSPECTION RECIPE GENERATION AND INSPECTION BASED ON AN INSPECTION RECIPE}

본원은 2010년 8월 10일에 출원된 미국 가출원번호 61/372,109를 기초로 우선권을 주장하며, 상기 출원은 여기에 참조로 포함된다. This application claims priority based on US Provisional Application No. 61 / 372,109, filed August 10, 2010, which application is incorporated herein by reference.

본 발명은 검사 레시피 생성 및 검사 레시피를 기반으로 한 검사에 관한 것이다. The present invention relates to a test recipe generation and a test based on the test recipe.

도 1은 종래의 검사 프로세스(100)를 도시한다. 검사 공정(100)은 일반적으로 시스템의 설정 도중 수행되는 모델링 단계(110)를 포함한다. 모델링 단계(110) 후, 검사 단계(120)가 수행된다. 1 illustrates a conventional inspection process 100. The inspection process 100 generally includes a modeling step 110 that is performed during setup of the system. After the modeling step 110, an inspection step 120 is performed.

단계(110)는 이미지를 획득하는 단계(112) 및 모델(114)을 생성하는 단계(획득된 이미지를 기반으로 함)를 포함한다. 모델의 각 픽셀에 대하여, 모델은 최소 그레이 레벨 값, 최대 그레이 레벨 값 및 일반적인 그레이 레벨 값을 갖는다. Step 110 includes acquiring an image 112 and generating a model 114 (based on the acquired image). For each pixel of the model, the model has a minimum gray level value, a maximum gray level value, and a general gray level value.

단계(120)는 모델을 독출하는 단계(124), 물체의 이미지를 획득하는 단계(122) 및 물체의 이미지를 설정 도중 생성된 모델로부터 독출된 이미지와 비교하는 단계(126)를 포함한다. 비교 단계(126) 후에, 결함 목록을 생성할 수 있는 결정 단계(128)(결함이 있는지 여부를 결정함)가 수행된다. Step 120 includes reading a model 124, obtaining an image of the object 122, and comparing the image of the object with the image read out from the model generated during setup 126. After the comparison step 126, a decision step 128 (determining whether there is a defect) is performed that can generate a defect list.

도 2는 종래의 모델 생성 프로세스(130)를 도시한다. 설정 도중, 이미지의 세트가 다수의 다이로부터 수집된다(132). 상기 다이는 무작위로 선택되거나 사용자에 의해 선택된다. 상기 이미지는 다이의 "골든 이미지(golden image)"를 생성하도록 사용되며, 상기 골든 이미지는 바람직하게 결함을 갖지 않는 것으로 가정된다. "골든 이미지"의 각각의 픽셀은 일반적인 그레이 레벨 값("Typ"), 최소 그레이 레벨 값("Min") 및 최대 그레이 레벨 값("Max")으로 구성된다(136). 상기 세 가지 값들은 결함의 존재를 결정하는 동시에 결함 검출에 실패하는 것을 최소화하도록 검사 도중 사용될 수 있다. 2 illustrates a conventional model generation process 130. During setup, a set of images is collected from a number of dies (132). The die is randomly selected or selected by the user. The image is used to create a "golden image" of the die, which is preferably assumed to have no defects. Each pixel of the "golden image" consists of a general gray level value ("Typ"), a minimum gray level value ("Min") and a maximum gray level value ("Max") (136). These three values can be used during inspection to determine the presence of a defect while minimizing the failure to detect a defect.

본 발명은 검사 레시피 생성 및 검사 레시피를 기반으로 한 검사를 제공하는 것을 목적으로 한다. An object of the present invention is to provide a test recipe generation and a test based on the test recipe.

본 발명의 일 실시예에 따르면, 방법이 제공된다. 상기 방법은: 데이터 획득 모듈에 의해, 검사되는 물체의 적어도 일 부분에 대한 데이터를 획득하는 단계로서, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함하는 단계; 및 프로세서에 의해, (a) 검사 레시피를 제공하기 위한 데이터 프로세싱 및 (b) 검사 레시피를 이용하면서 결함을 검출하기 위한 데이터 프로세싱 중 적어도 하나의 데이터 프로세싱 동작을 수행하는 단계로서, 상기 검사 레시피는 특정 클래스의 오브젝트 모델을 포함하고, 데이터 수집 규칙(rule)은 광학적 조명 규칙 및 광학적 수집 규칙을 포함하고, 상기 오브젝트 모델은 오브젝트(감지 수단으로부터 수신됨)의 픽셀 값을 대표하는 데이터 및 적어도 오브젝트 모델의 형상, 오브젝트 모델의 사이즈, 오브젝트 모델의 위치 및 오브젝트 모델의 배향 중 선택된 적어도 하나의 추가적인 기하학적 파라미터를 포함한다. According to one embodiment of the invention, a method is provided. The method includes: acquiring, by a data acquisition module, data for at least a portion of an object being inspected, the object being inspected comprising at least one object of a particular class; And performing, by a processor, at least one data processing operation of (a) data processing to provide an inspection recipe and (b) data processing to detect a defect while using the inspection recipe, wherein the inspection recipe is specific to the specified method. An object model of the class, wherein the data collection rule comprises an optical illumination rule and an optical collection rule, the object model comprising data representing at least pixel values of the object (received from the sensing means) and at least of the object model. At least one additional geometric parameter selected from a shape, a size of the object model, a position of the object model, and an orientation of the object model.

본 발명의 일 실시예에 따르면, 상기 방법은 비-일시적인 컴퓨터로 독출 가능한 매체에 저장된 명령을 실행하는 하나 또는 그 이상의 컴퓨터(또는 프로세서)에 의해 실행될 수 있다. According to one embodiment of the invention, the method may be executed by one or more computers (or processors) executing instructions stored on a non-transitory computer readable medium.

본 발명의 일 실시예에 따르면, 비-일시적인 컴퓨터로 독출 가능한 매체가 제공되고, 상기 매체는: 검사되는 물체의 적어도 일부에 대한 데이터를 획득하는 단계로서, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함할 수 있는 단계; 및 (a) 검사 레시피를 제공하기 위한 데이터 프로세싱 및 (b) 검사 레시피를 이용하면서 결함을 검출하기 위한 데이터 프로세싱 중 적어도 하나의 데이터 프로세싱 동작을 수행하는 단계를 위한 명령을 저장할 수 있으며, 상기 검사 레시피는 특정 클래스의 오브젝트 모델을 포함할 수 있으며, 오브젝트 모델은 오브젝트(감지 수단으로부터 수신됨)의 픽셀 값을 대표하는 데이터 및 오브젝트 모델의 형상, 오브젝트 모델의 사이즈, 오브젝트 모델의 위치 및 오브젝트 모델의 배향 중 선택된 적어도 하나의 추가적인 기하학적 파라미터를 포함할 수 있다. According to one embodiment of the invention, a non-transitory computer readable medium is provided, the medium comprising: acquiring data for at least a portion of an object to be inspected, wherein the object to be inspected is at least one of a particular class It may include an object of; And (a) data processing to provide an inspection recipe and (b) data processing to detect a defect while using the inspection recipe. May include an object model of a particular class, which comprises data representing the pixel values of the object (received from the sensing means) and the shape of the object model, the size of the object model, the location of the object model, and the orientation of the object model. It may include at least one additional geometric parameter selected.

본 발명의 일 실시예에 따르면, 시스템이 제공될 수 있으며, 상기 시스템은 데이터 획득 모듈 및 프로세서를 포함할 수 있으며, 상기 데이터 획득 모듈은 검사되는 물체의 적어도 일부에 대한 데이터를 획득하도록 구성되고, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함할 수 있으며, 상기 프로세서는: (a) 검사 레시피를 제공하기 위한 데이터 프로세싱 및 (b) 검사 레시피를 이용하면서 결함을 검출하기 위한 데이터 프로세싱 중 적어도 하나의 데이터 프로세싱 동작을 수행하도록 구성되며, 상기 오브젝트 모델은 오브젝트(감지 수단으로부터 수신됨)의 픽셀 값을 대표하는 데이터 및 오브젝트 모델의 형상, 오브젝트 모델의 사이즈, 오브젝트 모델의 위치 및 오브젝트 모델의 배향 중 선택되는 적어도 한하의 추가적인 기하학적 파라미터를 포함할 수 있다. According to one embodiment of the invention, a system may be provided, wherein the system may comprise a data acquisition module and a processor, the data acquisition module configured to acquire data for at least a portion of the object being inspected, The object to be inspected may comprise at least one object of a particular class, wherein the processor is configured to: (a) data processing to provide an inspection recipe and (b) data processing to detect a defect while using the inspection recipe. Configured to perform at least one data processing operation, wherein the object model comprises data representing the pixel values of the object (received from the sensing means) and the shape of the object model, the size of the object model, the location of the object model and the At least one additional geometry selected among the orientations It may include La meter.

검사 레시피는 규칙들의 적어도 하나의 조합을 포함할 수 있으며, 규칙들의 조합 각각은 데이터 수집 규칙, 데이터 프로세싱 규칙 및 상기 프로세싱의 적어도 하나의 결과에 대한 적어도 하나의 응답에 관한 응답 규칙 중 적어도 두 개의 규칙을 포함한다. The inspection recipe may comprise at least one combination of rules, each combination of rules comprising at least two rules of a data collection rule, a data processing rule and a response rule relating to at least one response to at least one result of the processing It includes.

오브젝트 모델은: 오브젝트 모델의 배향, 특정 클래스의 적어도 두 개의 오브젝트들 간의 공간적인 관계, 특정 클래스의 오브젝트의 3차원 이미지 및 특정 클래스의 오브젝트의 2차원 이미지 중 적어도 두 개의 추가적인 파라미터를 포함할 수 있다. The object model may include at least two additional parameters: an orientation of the object model, a spatial relationship between at least two objects of a particular class, a three-dimensional image of an object of a particular class and a two-dimensional image of an object of a particular class .

상기 방법은 오브젝트의 다수의 클래스들 중 오브젝트의 각 클래스를 제공하기 위해 적어도 하나의 부분에 대한 데이터를 처리하는 단계를 포함할 수 있으며, 오브젝트 모델은 오브젝트 클래스의 다수의 오브젝트를 대표한다(추가적으로 또는 대안적으로, 컴퓨터로 독출 가능한 매체는 상기 처리하는 단계를 위한 명령을 저장할 수 있음).The method may include processing data for at least one portion of the plurality of classes of objects to provide each class of the object, the object model representing (in addition or multiple objects of the object class) Alternatively, the computer readable medium may store instructions for the processing step).

상기 시스템은 오브젝트의 다수의 클래스 중 오브젝트의 각 클래스를 제공하기 위해 적어도 일부분에 대한 데이터를 처리하도록 구성될 수 있으며, 오브젝트 모델은 오브젝트 클래스의 다수의 오브젝트를 대표한다. The system may be configured to process data for at least a portion of the plurality of classes of objects to provide each class of objects, the object model representing a plurality of objects of an object class.

상기 방법은 검사되는 물체의 적어도 두 개의 상이한 영역 중 각각의 영역을 제공하기 위해 이미지를 처리하는 단계를 포함할 수 있으며(추가적으로 또는 대안적으로, 컴퓨터로 읽을 수 있는 매체는 상기 처리 단계를 위한 명령을 저장할 수 있음), 오브젝트 모델은 검사되는 물체의 영역 내에 위치하는 특정 클래스의 다수의 오브젝트를 대표한다. The method may comprise processing an image to provide a respective area of at least two different areas of the object being inspected (in addition or alternatively, the computer readable medium may comprise instructions for the processing step). Object model represents a plurality of objects of a particular class located within the area of the object being inspected.

상기 시스템은 검사되는 물체의 적어도 두 개의 서로 다른 영역 중 각각의 영역을 제공하기 위해 이미지를 처리하도록 구성되며, 오브젝트 모델은 검사되는 물체의 영역 내에 위치하는 특정 클래스의 다수의 오브젝트를 대표한다. The system is configured to process an image to provide a respective area of at least two different areas of the object being inspected, the object model representing a plurality of objects of a particular class located within the area of the object being inspected.

검사되는 물체의 적어도 일부는 검사되는 물체 전부일 수 있으며, 상기 방법은 검사되는 물체의 모델을 제공하기 위해 검사되는 물체의 적어도 일부분에 대한 데이터를 처리하는 단계를 포함할 수 있으며, 상기 검사되는 물체의 모델은 매크로 정보 및 국부적인 조절 규칙(local adaptation rules)을 포함할 수 있다. 매크로 정보는 검사되는 물체 전체에 대한 일반적인 데이터 수집 규칙, 데이터 프로세싱 규칙 및/또는 응답 규칙을 정의하며, 국부적인 조절 규칙은 매크로 정보에 국부적인 편차(local deviations)를 제공할 수 있다. At least a portion of the object being inspected may be all of the object being inspected, and the method may include processing data for at least a portion of the object being inspected to provide a model of the object being inspected. The model may include macro information and local adaptation rules. Macro information defines general data collection rules, data processing rules, and / or response rules for the entire object being inspected, and local adjustment rules may provide local deviations in the macro information.

검사되는 물체는 다수의 다이스를 포함할 수 있는 웨이퍼일 수 있으며, 다수의 다이스 중 각각의 다이스는 특정 클래스의 다수의 오브젝트를 포함할 수 있으며, 상기 방법은 다수의 다이스를 대표하는 다이 모델을 제공하기 위해 이미지를 처리하는 단계를 포함할 수 있다(추가적으로 또는 대안적으로, 컴퓨터로 읽을 수 있는 매체는 상기 처리 단계를 위한 명령을 저장할 수 있음).The object to be inspected may be a wafer, which may include a number of dice, each dice of the plurality of dice may include a number of objects of a particular class, and the method provides a die model representing a number of dice Processing the image for purposes of operation (in addition or alternatively, a computer-readable medium may store instructions for the processing step).

상기 방법은 서로 다른 규칙의 조합을 적용함으로써 데이터를 획득하는 단계를 포함할 수 있다(추가적으로 또는 대안적으로, 컴퓨터로 읽을 수 있는 매체는 상기 획득 단계를 위한 명령을 저장할 수 있음).The method may comprise acquiring data by applying a combination of different rules (in addition or alternatively, a computer readable medium may store instructions for the acquiring step).

상기 시스템은 서로 다른 규칙의 조합을 적용함으로써 데이터를 획득하도록 구성될 수 있다. The system can be configured to obtain data by applying a combination of different rules.

상기 방법은 다수의 오브젝트 모델을 생성하는 단계를 포함할 수 있으며(추가적으로 또는 대안적으로, 컴퓨터로 읽을 수 있는 매체는 상기 생성 단계를 위한 명령을 저장할 수 있음), 서로 다른 오브젝트 모델이 서로 다른 규칙의 조합을 적용함으로써 획득된다. The method may comprise generating a plurality of object models (in addition or alternatively, the computer-readable medium may store instructions for the generating step), and different object models have different rules. It is obtained by applying the combination of.

상기 시스템은 다수의 오브젝트 모델을 생성하도록 구성될 수 있으며, 서로 다른 오브젝트 모델은 서로 다른 규칙의 조합을 적용함으로써 획득된다. The system may be configured to generate multiple object models, where different object models are obtained by applying a combination of different rules.

데이터를 획득하는 단계는 검사되는 물체의 적어도 일부의 동일한 위치 상에 서로 다른 규칙의 조합을 적용하는 단계를 포함할 수 있다. Acquiring data may include applying a combination of different rules on the same location of at least a portion of the object being inspected.

검사 레시피는 다수의 타입의 구역에 대한 다수의 구역을 정의할 수 있으며, 구역들 중 제 1 타입의 적어도 하나의 구역 및 제 2 타입의 적어도 하나의 다른 구역은 부분적으로 중복되며, 구역의 타입은 데이터 수집 구역, 데이터 프로세싱 구역 및 응답 구역 중 적어도 두 개를 포함할 수 있으며, 서로 다른 데이터 수집 구역은 적어도 하나의 데이터 수집 규칙에 의해 서로 상이하며, 서로 다른 데이터 처리 구역은 적어도 하나의 데이터 처리 규칙에 의해 서로 상이하며, 서로 다른 응답 구역은 적어도 하나의 응답 규칙에 의해 서로 상이하다. The inspection recipe may define multiple zones for multiple types of zones, wherein at least one zone of the first type and at least one other zone of the second type of the zones are partially overlapping, and the type of zone And at least two of a data collection zone, a data processing zone, and a response zone, wherein different data collection zones are different from each other by at least one data collection rule, and different data processing zones are at least one data processing rule. Are different from each other, and different response zones are different from each other by at least one response rule.

구역의 타입은 데이터 수집 구역, 데이터 처리 구역 및 응답 구역을 포함할 수 있다. Types of zones may include data collection zones, data processing zones, and response zones.

구역의 타입은 데이터 수집 구역 및 데이터 처리 구역을 포함할 수 있다. The type of zone may include a data collection zone and a data processing zone.

적어도 두 개의 데이터 처리 구역은 오브젝트 모델이 데이터 처리 도중 이용되도록 정의하는 데이터 처리 규칙에 의해 서로 상이할 수 있다. The at least two data processing zones may differ from each other by data processing rules that define the object model to be used during data processing.

상기 방법은, 다수의 이터레이션 도중 적용되는 규칙의 조합에 의해 서로 다른 데이터 획득에 대한 다수의 이터레이션을 수행함으로써, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계; 및 상기 데이터를 기반으로 서로 다른 타입의 구역에 대한 서로 다른 구역을 정의하는 단계를 포함하며, 구역의 타입은 데이터 수집 구역 및 데이터 처리 구역 중 적어도 하나를 포함할 수 있다. The method includes obtaining data for at least a portion of the object being inspected by performing multiple iterations for different data acquisitions by a combination of rules applied during multiple iterations; And defining different zones for different types of zones based on the data, and the type of zone may include at least one of a data collection zone and a data processing zone.

상기 시스템은 다수의 이터레이션 도중 적용되는 규칙의 조합에 의해 서로 상이한 데이터 획득에 대한 다수의 이터레이션을 수행함으로써, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하고; 상기 데이터를 기반으로 서로 다른 타입의 구역에 대한 서로 다른 구역을 정의하도록 구성될 수 있으며, 상기 구역의 타입은 데이터 수집 구역 및 데이터 처리 구역 중 적어도 하나를 포함할 수 있다. The system acquires data for at least a portion of the object being inspected by performing multiple iterations on different data acquisitions by a combination of rules applied during multiple iterations; The zone may be configured to define different zones for different types of zones based on the data, and the type of zone may include at least one of a data collection zone and a data processing zone.

상기 방법은 검사되는 물체의 적어도 일부의 서로 다른 위치에서 획득된 데이터의 퀄리티를 기반으로 서로 다른 구역을 정의하는 단계를 포함할 수 있다(추가적으로 또는 대안적으로, 컴퓨터로 읽을 수 있는 매체는 상기 정의하는 단계를 위한 명령을 저장할 수 있음). The method may comprise defining different zones based on the quality of the data obtained at different locations of at least a portion of the object being inspected (in addition or alternatively, the computer readable medium may be defined as defined above). Can store commands for steps).

상기 시스템은 검사되는 물체의 적어도 일부의 서로 다른 위치에서 획득된 데이터의 퀄리티를 기반으로 서로 다른 구역을 정의하도록 구성될 수 있다. The system may be configured to define different zones based on the quality of the data obtained at different locations of at least a portion of the object being inspected.

상기 방법은 검사되는 물체의 적어도 일부의 서로 다른 위치에서 서로 다른 규칙의 조합으로 획득되는 데이터 간의 차이를 기반으로 서로 다른 구역을 정의하는 단계를 포함할 수 있다(추가적으로 또는 대안적으로, 컴퓨터로 읽을 수 있는 매체는 상기 정의하는 단계를 위한 명령을 저장할 수 있음). The method may comprise (in addition or alternatively, computer readable) defining different zones based on the difference between the data obtained with a combination of different rules at different locations of at least a portion of the object being inspected. Media may store instructions for the step of defining).

상기 시스템은 검사되는 물체의 적어도 일부의 서로 다른 위치에서 서로 다른 규칙의 조합으로 획득된 데이터 간의 차이를 기반으로 서로 다른 구역을 정의하도록 구성될 수 있다. The system may be configured to define different zones based on the differences between the data obtained with different combinations of rules at different locations of at least a portion of the object being inspected.

본 발명의 일 실시예에 따르면, 방법은 검사 레시피를 생성하거나 이용하는 단계를 제공할 수 있으며, 상기 방법은: 데이터 획득 모듈에 의해, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계로서, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함할 수 있는 단계; 및 프로세서에 의해, (a) 검사 레시피를 제공하기 위한 데이터 프로세싱, 및 (b) 검사 레시피를 이용하면서 결함을 검출하기 위한 데이터 프로세싱 중 적어도 하나의 데이터 프로세싱 동작을 수행하는 단계를 포함하며, 상기 검사 레시피는 다수의 타입의 구역에 대한 다수의 구역을 포함할 수 있으며, 상기 구역들의 제 1 타입의 적어도 하나의 구역 및 제 2 타입의 적어도 하나의 다른 구역은 부분적으로 중복되며, 상기 구역의 타입은 데이터 수집 구역, 데이터 처리 구역 및 응답 구역 중 적어도 두 개를 포함할 수 있으며, 서로 다른 데이터 수집 구역은 적어도 하나의 데이터 수집 규칙에 의해 서로 간에 상이하며, 서로 다른 데이터 처리 구역은 적어도 하나의 데이터 처리 규칙에 의해 서로 간에 상이하며, 서로 다른 응답 구역은 적어도 하나의 응답 규칙에 의해 서로 간에 상이하다. 응답 구역은 동일한 응답 규칙이 적용되어야 하는 오브젝트의 위치에 대응하는 가상 구역이다. 응답 규칙은 검사 프로세스의 특정 출력에 응답하는 방법을 정의할 수 있다. 데이터 수집 구역은 동일한 데이터 수집 규칙이 적용되는 오브젝트의 위치에 대응하는 가상 구역이다. 데이터 처리 구역은 동일한 데이터 처리 규칙이 적용되어야 하는 오브젝트의 위치에 대응하는 가상 구역이다. According to one embodiment of the invention, the method may provide for generating or using an inspection recipe, the method comprising: acquiring, by the data acquisition module, data for at least a portion of the object being inspected, wherein The object to be inspected may comprise at least one object of a particular class; And performing, by the processor, at least one data processing operation of (a) data processing to provide an inspection recipe, and (b) data processing to detect a defect while using the inspection recipe. The recipe may comprise multiple zones for multiple types of zones, at least one zone of the first type of zones and at least one other zone of the second type partially overlapping, the type of zones being And at least two of a data collection zone, a data processing zone, and a response zone, different data collection zones being different from each other by at least one data collection rule, and different data processing zones processing at least one data. Are different from each other by a rule, and different response zones may contain at least one response rule. Are different from each other by. The response zone is the virtual zone that corresponds to the location of the object to which the same response rule should apply. Response rules may define how to respond to specific outputs of the inspection process. The data collection zone is a virtual zone corresponding to the location of the object to which the same data collection rule applies. The data processing zone is the virtual zone corresponding to the location of the object to which the same data processing rules should apply.

본 발명의 일 실시예에 따르면, 상기 방법은 비-일시적인 컴퓨터로 읽을 수 있는 매체에 저장된 명령을 실행하는 하나 또는 그 이상의 컴퓨터(또는 프로세서)에 의해 실행될 수 있다. According to one embodiment of the invention, the method may be executed by one or more computers (or processors) executing instructions stored on a non-transitory computer readable medium.

본 발명의 일 실시예에 따르면, 비-일시적인 컴퓨터로 읽을 수 있는 매체가 제공되고, 상기 매체는: 데이터 획득 모듈에 의해, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계로서, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함할 수 있는 단계; 및 프로세서에 의해, (a) 검사 레시피를 제공하기 위한 데이터 프로세싱, 및 (b) 검사 레시피를 이용하면서 결함을 검출하기 위한 데이터 프로세싱 중 적어도 하나의 데이터 프로세싱 동작을 수행하는 단계를 위한 명령을 저장할 수 있으며, 구역들 중 제 1 타입의 적어도 하나의 구역 및 제 2 타입의 적어도 하나의 다른 구역은 부분적으로 중첩되며, 상기 구역의 타입은 데이터 수집 구역, 데이터 처리 구역 및 응답 구역 중 적어도 두 개를 포함할 수 있으며, 서로 다른 데이터 수집 구역은 적어도 하나의 데이터 수집 규칙에 의해 서로 간에 상이하며, 서로 다른 데이터 처리 구역은 적어도 하나의 데이터 처리 규칙에 의해 서로 간에 상이하며, 서로 다른 응답 구역은 적어도 하나의 응답 규칙에 의해 서로 간에 상이하다. According to one embodiment of the invention, a non-transitory computer readable medium is provided, the medium comprising: acquiring, by a data acquisition module, data for at least a portion of an object to be inspected, The object may comprise at least one object of a particular class; And (b) data processing for providing an inspection recipe, and (b) performing a data processing operation of at least one of data processing for detecting a defect while using the inspection recipe, by the processor. At least one zone of the first type and at least one other zone of the second type partially overlap, the type of zone comprising at least two of a data collection zone, a data processing zone, and a response zone; Wherein different data collection zones are different from each other by at least one data collection rule, different data processing zones are different from each other by at least one data processing rule, and different response zones are at least one Different from each other by the response rule.

본 발명의 일 실시예에 따르면, 시스템이 제공될 수 있으며, 상기 시스템은 데이터 획득 모듈 및 프로세서를 포함할 수 있으며, 상기 데이터 획득 모듈은 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하도록 구성되며, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함할 수 있으며, 상기 프로세서는 (a) 검사 레시피를 제공하기 위한 데이터 프로세싱, 및 (b) 검사 레시피를 이용하면서 결함을 검출하기 위한 데이터 프로세싱 중 적어도 하나의 데이터 프로세싱 동작을 수행하도록 구성되며, 구역들 중 제 1 타입의 적어도 하나의 구역 및 제 2 타입의 적어도 하나의 다른 구역은 부분적으로 중첩되며, 상기 구역들의 타입은 데이터 수집 구역, 데이터 처리 구역 및 응답 구역 중 적어도 두 개를 포함할 수 있으며, 서로 다른 데이터 수집 구역은 적어도 하나의 데이터 수집 규칙에 의해 서로 간에 상이하며, 서로 다른 데이터 처리 구역은 적어도 하나의 데이터 처리 규칙에 의해 서로 간에 상이하며, 서로 다른 응답 구역은 적어도 하나의 응답 규칙에 의해 서로 간에 상이하다.According to one embodiment of the invention, a system may be provided, wherein the system may comprise a data acquisition module and a processor, the data acquisition module configured to acquire data for at least a portion of the object being inspected, The object to be inspected may include at least one object of a particular class, wherein the processor is configured to (a) data processing to provide an inspection recipe, and (b) data processing to detect a defect while using the inspection recipe. And configured to perform at least one data processing operation, at least one zone of the first type and at least one other zone of the second type partially overlapping, the type of zones being a data collection zone, data processing May contain at least two of a zone and a response zone, and may contain different data Collection zones differ from each other by at least one data collection rule, different data processing zones differ from each other by at least one data processing rule, and different response zones differ from each other by at least one response rule. Do.

상기 구역들의 타입은 데이터 수집 구역, 데이터 처리 구역 및 응답 구역을 포함할 수 있다. The types of zones may include data collection zones, data processing zones, and response zones.

상기 구역의 타입은 데이터 수집 구역 및 데이터 처리 구역을 포함할 수 있다. The type of zone may include a data collection zone and a data processing zone.

적어도 두 개의 데이터 처리 구역은 오브젝트 모델이 데이터 처리 도중 이용되도록 정의하는 데이터 처리 규칙에 의해 서로 간에 상이할 수 있다. The at least two data processing zones may differ from each other by data processing rules that define the object model to be used during data processing.

상기 방법은: 다수의 이터레이션 도중 적용되는 규칙의 조합에 의해 서로 상이한 데이터 획득에 대한 다수의 이터레이션을 수행함으로써, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계; 및 상기 데이터를 기반으로 서로 다른 타입의 구역의 서로 다른 구역을 정의하는 단계를 포함할 수 있으며(추가적으로 또는 대안적으로, 상기 컴퓨터로 읽을 수 있는 매체는 상기 획득하는 단계 및 상기 정의하는 단계를 위한 명령을 저장할 수 있음), 상기 구역의 타입은 데이터 수집 구역 및 데이터 처리 구역 중 적어도 하나를 포함할 수 있다. The method comprises the steps of: acquiring data for at least a portion of the object being inspected by performing multiple iterations for different data acquisitions by a combination of rules applied during multiple iterations; And defining different zones of different types of zones based on the data (additionally or alternatively, the computer-readable medium may be used for the acquiring and the defining steps). Command), the type of the zone may include at least one of a data collection zone and a data processing zone.

상기 시스템은 다수의 이터레이션 도중 적용되는 규칙의 조합에 의해 서로 상이한 데이터 획득에 대한 다수의 이터레이션을 수행함으로써, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하고, 상기 데이터를 기반으로 서로 다른 타입의 구역에 대한 서로 다른 구역을 정의하도록 구성될 수 있으며, 상기 구역의 타입은 데이터 수집 구역 및 데이터 처리 구역 중 적어도 하나를 포함할 수 있다. The system obtains data for at least a portion of the object being inspected by performing multiple iterations of different data acquisitions by a combination of rules applied during multiple iterations, and based on the data, different types It can be configured to define different zones for the zone of, the type of zone can include at least one of a data collection zone and a data processing zone.

상기 방법은 검사되는 물체의 적어도 일부의 서로 다른 위치에서 서로 다른 규칙의 조합으로 획득된 데이터 간의 차이를 기반으로 서로 다른 구역을 정의하는 단계를 포함할 수 있다(추가적으로 또는 대안적으로, 컴퓨터로 읽을 수 있는 매체는 상기 정의하는 단계를 위한 명령을 저장할 수 있음). The method may comprise (in addition or alternatively, computer readable) defining different zones based on the difference between the data obtained with a combination of different rules at different locations of at least a portion of the object being inspected. Media may store instructions for the step of defining).

본 발명의 추가적인 세부내용, 양태 및 실싱예가 도면을 참조로 오직 예로서 기술될 것이다. 도면에서, 유사한 도면번호는 유사하거나 기능상 유사한 구성요소를 식별하기 위해 사용된다. 도면의 구성요소는 간결함과 명확함을 위해 도시되었으며, 반드시 스케일에 따라 도시되지는 않았다.
도 1은 종래의 검사 프로세스를 도시한다.
도 2는 종래의 모델링 프로세스를 도시한다.
도 3은 본 발명의 일 실시예에 따른 모델을 생성하고 물체를 검사하는 방법을 도시한다.
도 4는 본 발명의 일 실시예에 따른 웨이퍼 모델, 다이 모델 및 오브젝트 모델을 생성하는 프로세스를 도시한다.
도 5 내지 도 7은 본 발명의 다양한 실시예에 따른 오브젝트 모델링 프로세스를 도시한다.
도 8은 본 발명의 일 실시예에 따른 시스템 구역 및 적용 구역에 대한 분할을 도시한다.
도 9는 본 발명의 일 실시예에 따른 멀티-레벨 모델을 도시한다.
도 10은 본 발명의 일 실시예에 따른 이미지 획득 구역의 세트, 데이터 처리 구역의 세트 및 오브젝트 모델 구역의 세트를 도시한다.
도 11 내지 도 13은 본 발명의 일 실시예에 따른 다수의 이미지, 다수의 처리 알고리즘 또는 이 둘의 조합을 포함하는 프로세스를 도시한다.
도 14 내지 도 18은 본 발명의 다양한 실시예에 따른 방법을 도시한다. Further details, aspects and examples of silencing of the invention will be described by way of example only with reference to the drawings. In the drawings, like numerals are used to identify similar or functionally similar components. The components in the figures are shown for brevity and clarity and are not necessarily drawn to scale.
1 shows a conventional inspection process.
2 illustrates a conventional modeling process.
3 illustrates a method of generating a model and inspecting an object according to an embodiment of the present invention.
4 shows a process for generating a wafer model, a die model and an object model in accordance with one embodiment of the present invention.
5 through 7 illustrate an object modeling process according to various embodiments of the present disclosure.
8 shows a partition for system zones and application zones in accordance with one embodiment of the present invention.
9 illustrates a multi-level model according to one embodiment of the invention.
10 illustrates a set of image acquisition zones, a set of data processing zones and a set of object model zones in accordance with one embodiment of the present invention.
11-13 illustrate a process including multiple images, multiple processing algorithms, or a combination of both, according to one embodiment of the invention.
14-18 illustrate a method according to various embodiments of the present invention.

본 발명의 전술한 목적, 특징 및 효과 및 다른 목적, 특징 및 효과는 첨부한 도면과 함께 이어지는 발명의 상세한 설명으로부터 명백해질 것이다. 도면에서, 유사한 도면부호는 서로 다른 도면에 걸쳐 유사한 구성요소를 나타낸다. The above objects, features and effects of the present invention and other objects, features and effects will become apparent from the following detailed description of the invention which accompanies the accompanying drawings. In the drawings, like numerals refer to like elements throughout the different views.

본 발명의 설명되는 실시예는 대부분 통상의 기술자에게 알려진 전자 컴포넌트 및 회로를 사용하여 구현될 수 있으므로, 세부적인 내용은 본 발명의 내용을 애매하게 하거나 혼란스럽게 하는 것을 방지하기 위해, 본 발명의 기본 개념의 이해와 인식에 필요하다고 간주되는 범위를 넘어 설명되지는 않을 것이다. Since the described embodiments of the present invention can be implemented using electronic components and circuits which are mostly known to those skilled in the art, the details are the basic concepts of the present invention in order to avoid obscuring or confusing the contents of the present invention. It will not be described beyond what is deemed necessary for the understanding and recognition.

이어지는 발명의 상세한 설명은 반도체 웨이퍼에 대하여 설명하지만, 상기 방법 및 시스템은 다른 검사되는 물체, 예컨대 PCB(Printed Circuit Boards), 태양전지 패널, FPD(Flat Panel Display) 등에도 적용될 수 있으며, 상기 검사되는 물체는 이에 제한되지 않는다. The following detailed description of the invention describes a semiconductor wafer, but the method and system may be applied to other inspected objects, such as printed circuit boards (PCBs), solar panels, flat panel displays (FPDs), and the like. The object is not limited to this.

용어 검사 레시피(inspection recipe)는 검사 프로세스가 수행되어야 하는 방식에 영향을 미칠 수 있는 정보를 의미한다. 검사 레시피는 이미지가 획득되는 방법, 획득된 이미지를 처리하는 방법 등을 결정할 수 있다. 검사 레시피는 물체(또는 물체의 일부)로부터 획득된 정보와 비교되어야 할 기준 정보(예컨대, 하나 또는 그 이상의 모델)를 포함할 수 있다. 검사 레시피는 전체 검사 프로세스 또는 검사 프로세스의 일부를 결정할 수 있다. The term inspection recipe refers to information that can affect the way the inspection process is to be performed. The inspection recipe may determine how an image is obtained, how to process the acquired image, and the like. The inspection recipe may include reference information (eg, one or more models) to be compared with information obtained from the object (or part of the object). The inspection recipe can determine the entire inspection process or part of the inspection process.

본 발명의 일 실시예에 따르면, 오브젝트의 2차원 또는 3차원(2D 또는 3D) 특징을 기술하는 구체적인 파라미터, 예컨대 질감, 스케일, 위치 및 이들 파라미터의 변형을 연관시킴으로써, 오브젝트와 관련된 결함을 검출하는 것을 개선시키도록, 선택된 오브젝트의 특별한 처리를 가능하게 하는 방법이 제공된다. 이러한 오브젝트는 솔더 범프(solder bumps), 골드 범프(gold bumps), 전도체, 비아(vias) 등을 포함할 수 있다. According to one embodiment of the invention, defects associated with an object are detected by associating specific parameters describing the two-dimensional or three-dimensional (2D or 3D) characteristics of the object, such as texture, scale, position and variations of these parameters. To improve this, a method is provided for enabling special handling of selected objects. Such objects may include solder bumps, gold bumps, conductors, vias, and the like.

용어 구조(structure)는 일반적으로 해석될 수 있으나, 추가적으로 또는 대안적으로 일부 공통된 반복적인 패턴/구조적인 내용을 갖는 영역을 기술하기 위해 사용될 수도 있다. 이 경우 질감은 보다 구조화되거나(그리드 또는 벽돌 패턴과 같은 규칙적인 패턴) 확률적일(파도 또는 모래와 같은 패턴) 수 있는 이미지 질감의 패치의 성질이다. 상기 질감은 패치의 일부 묘사(description)에 의해 생성된다. 일반적으로, 다양한 타입의 통계적인 정보는 그레이 레벨 분포, 에지의 방향 및 강도에 관한 것이다. The term structure may be generally interpreted, but may additionally or alternatively be used to describe areas having some common repetitive pattern / structural content. In this case, texture is the nature of a patch of image texture that can be more structured (regular patterns such as grid or brick patterns) or stochastic (patterns like waves or sand). The texture is created by some description of the patch. In general, various types of statistical information relate to gray level distribution, edge direction and intensity.

용어 스케일(scale)은 모델의 일반적인 사이즈를 의미할 수 있다. 오브젝트가 동일한 형상을 가지지만, 스케일링 팩터에 의해 변경되는 경우(전반적으로 변경되거나 특정 방향으로 변경되는 경우), 상기 스케일은 그 스케일 값으로 지시되어야 한다. The term scale may refer to the general size of a model. If an object has the same shape but is changed by a scaling factor (either globally or in a particular direction), the scale should be indicated by its scale value.

용어 클래스(class)는 분류 프로세스의 출력을 의미한다. 특정 클래스의 오브젝트는 동일한 클래스의 오브젝트들 간에 공유되는(동일한 값을 갖거나 허용 가능하게 변경됨) 특정한 형상, 사이즈 또는 속성을 가질 수 있다. 예를 들어, 범프는 일 클래스일 수 있으나, 서로 다른 속성을 갖는 범프들은 상이한 클래스로 더 분류될 수 있다. The term class refers to the output of the classification process. An object of a particular class may have a particular shape, size, or property that is shared between objects of the same class (with the same value or to be acceptable). For example, bumps may be of one class, but bumps with different attributes may be further classified into different classes.

본 발명의 일 실시예에 따르면, 대표적인 픽셀 값, 최소의 픽셀 값 및 최대의 픽셀 값에 더하여 추가적인 파라미터를 포함할 수 있는 모델을 제공할 수 있는 방법이 제공된다. 이러한 추가적인 파라미터는 기하학적인 특징, 기정의된/학습된/훈련된 질감 클래스, 변화도(gradient)(일정 수준의 크기 및 방향) 정보 등을 포함할 수 있다. According to one embodiment of the present invention, a method is provided that can provide a model that can include additional parameters in addition to a representative pixel value, a minimum pixel value, and a maximum pixel value. Such additional parameters may include geometric features, predefined / learned / trained texture classes, gradient (constant size and direction) information, and the like.

본 발명의 일 실시예에 따르면, 멀티 레벨의 기준, 예컨대 다수의 동시적이거나 순차적인 이미징 방법, 고객의 요구에 따른 변화하는 패턴에 대한 검출을 최적화하기 위한 조명 및 해상도를 제공할 수 있는 방법이 제공된다. According to one embodiment of the present invention, there is provided a method that can provide multiple levels of criteria, such as multiple simultaneous or sequential imaging methods, illumination and resolution for optimizing detection for changing patterns according to customer needs. Is provided.

본 발명의 일 실시예에 따르면, 풀 웨이퍼 모델링(full-wafer modeling)을 통해 매크로 결함 검사뿐만 아니라 웨이퍼에 걸쳐 다이 모델 및 오브젝트 클래스 모델의 국부적인 조절을 가능하게 할 수 있는 방법이 제공된다. 국부적인 조절은 웨이퍼의 다양한 영역의 전반적인 그레이 픽셀 레벨, 웨이퍼의 다양한 영역의 일반적인 컬러 세트에 대한 정보 등을 포함할 수 있다. 예를 들어, 웨이퍼의 특정 영역이 웨이퍼의 다른 영역보다 더 밝게 나타나는 경우, 이 정보는 해당 영역에서 오브젝트(또는 다이스)를 검사할 때 고려되어야 한다. According to one embodiment of the present invention, a method is provided that enables full-wafer modeling to enable local defect control of die models and object class models across wafers as well as macro defect inspection. Local adjustments may include the overall gray pixel level of various regions of the wafer, information about a general color set of various regions of the wafer, and the like. For example, if a particular area of the wafer appears brighter than other areas of the wafer, this information should be considered when inspecting the object (or dice) in that area.

본 발명의 일 실시예에 따르면, 검사 도중 다양한 타입의 동적인 변경을 포함할 수 있는 방법이 제공된다. 변경은 이미징 조건, 오브젝트 클래스 모델 특성, 알고리즘 사용 및 실행 시간 파라미터에 관련될 수 있다. According to one embodiment of the present invention, a method is provided that may include various types of dynamic changes during testing. The change may relate to imaging conditions, object class model characteristics, algorithm usage, and runtime parameters.

본 발명의 일 실시예에 따르면, 사용되는 모델의 최적화, 이미징 구조의 최적화 및 작업하지 않는 도중과 실행하는 도중의 구체적인 검출 요구를 만족시키는 검출 알고리즘의 최적화를 가능하게 하는 구역 구조를 정의하는 단계를 포함할 수 있다. According to one embodiment of the present invention, there is provided a step of defining a zone structure that enables optimization of a used model, optimization of an imaging structure, and optimization of a detection algorithm that satisfies specific detection requirements during and without operation. It may include.

도 3은 본 발명의 일 실시예에 따른 방법(300)을 기술한다. 3 illustrates a method 300 according to one embodiment of the invention.

방법(300)은 모델링 단계(310), 구역으로 분할하는 단계(320) 및 검사 단계(340)를 포함한다. The method 300 includes a modeling step 310, dividing into zones 320 and an inspection step 340.

모델링 단계(310)의 일부 구체적인 예가 도 4 내지 도 6에 제공된다. Some specific examples of modeling step 310 are provided in FIGS. 4-6.

설정 도중, 웨이퍼 이미지의 전체 또는 일부(특정 응용에 따라 결정됨)가 다수의 이미징 모드를 사용하여, 즉 서로 다른 이미지 획득 조건을 사용하여 획득된다(312). 이미지 획득 조건은 조명 조건, 광 수집 조건 또는 그 조합일 수 있다. 예를 들어, 이미지는 다양한 광학적 설정, 예컨대 밝은 영역, 어두운 영역, 이미징 경로에서 편광을 사용, 조명 경로에서 편광을 사용, 상이한 카메라의 사용, 상이한 해상도의 이미지를 획득, 상이한 스펙트럼 범위의 이미지를 획득, 상이한 타입의 조명을 사용하는 것 등을 통해 획득될 수 있다. During setup, all or part of the wafer image (determined depending on the particular application) is acquired 312 using multiple imaging modes, ie using different image acquisition conditions. The image acquisition condition may be an illumination condition, a light collection condition, or a combination thereof. For example, the image can be a variety of optical settings, such as light, dark, using polarization in the imaging path, using polarization in the illumination path, using different cameras, obtaining images of different resolutions, obtaining images of different spectral ranges. , Using different types of lighting, and the like.

우수한 웨이퍼 통계를 생성하기 위해 다수의 웨이퍼의 이미지가 단계(213) 도중 획득될 수 있다. Images of multiple wafers may be obtained during step 213 to produce good wafer statistics.

본 발명의 일 실시예에 따르면, 모델링 단계(310)는 다음과 같은 모델 중 적어도 하나를 생성하는 단계를 포함할 수 있다: 웨이퍼 모델, 다이 모델 및 오브젝트 모델. 상기 모델은 도 4에 도시된다. According to one embodiment of the invention, modeling step 310 may include generating at least one of the following models: wafer model, die model and object model. The model is shown in FIG. 4.

웨이퍼 모델(420)은 이미징 모드 각각에 대하여 생성될 수 있다. 웨이퍼 모델은 다음을 포함할 수 있다:Wafer model 420 may be generated for each imaging mode. Wafer models may include:

a. 큰 결함의 검출("매크로 웨이퍼 검사"로 불림)을 위해 추후 사용될 웨이퍼 매크로 모델(422), 및a. A wafer macro model 422 to be used later for detection of large defects (called "macro wafer inspection"), and

b. 다이 모델 및 오브젝트 클래스 모델의 변경을 위해 사용되는 국부적인 조절 규칙(424) 뿐만 아니라, 웨이퍼를 거쳐 적절한 변경을 순응시키기 위한 웨이퍼를 가로지르는 상기 모델(알고리즘, 알고리즘 파라미터, 조명 등)에 대한 검사 규칙.b. Inspection rules for the model (algorithms, algorithm parameters, lighting, etc.) across the wafer to conform to appropriate changes across the wafer, as well as local adjustment rules 424 used for changing die models and object class models. .

웨이퍼 모델은 부분적인 웨이퍼 모델을 포함할 수 있다. The wafer model may include a partial wafer model.

다이 모델(430)은 각각의 픽셀 및 각각의 이미징 모드에 대하여 생성될 수 있다(또는 이미징 모드의 적어도 일부에 대하여 생성됨).Die model 430 may be generated for each pixel and each imaging mode (or for at least a portion of the imaging mode).

다이 모델은 다음과 같은 파라미터 중 적어도 하나를 포함할 수 있다: (a) 대표적인 그레이 레벨 값, 최소의 그레이 레벨 값 및 최대의 그레이 레벨 값과 같은 그레이 레벨 통계, (b) 다양한 차수, 스케일 및 타입의 국부적인 인근 변화도(강도 및 방향 둘 모두를 포함), (c) 인근 질감 특성, (d) 초 분해 이미지(super resolved images). The die model may include at least one of the following parameters: (a) gray level statistics, such as representative gray level values, minimum gray level values, and maximum gray level values, (b) various orders, scales, and types Local neighborhood gradients (including both intensity and direction), (c) nearby texture properties, and (d) super resolved images.

초 분해 이미지 또는 고해상도 이미지는 획득 장치(카메라 및 광학장치)의 해상도보다 더 높은(향상된) 해상도(영역 당 보유 정보의 양)를 갖는 이미지이다. 고해상도 이미지는 다양한 방법, 예컨대 다수의 저해상도 이미지를 결합시키거나, 저해상도 버전을 갖는 고해상도 패치 쌍을 포함하는 샘플을 갖는 일부 학습된 세트를 기반으로 정보를 추가하거나, 또는 이미지 그 자체에서 유사한 영역을 발견함으로써 손실된 정보를 완성함으로써 획득될 수 있다. 고해상도 이미지는 에일리어싱을 감소시키고, 에지 정보를 향상시킬 수 있다. 상기 초 분해 이미지는 낮은 해상도로 다수 번 스캔함으로써 생성될 수 있으며, 각각의 스캔은 다른 픽셀을 기준으로 픽셀의 일부만큼 이동된다. A super resolution image or a high resolution image is an image having a higher (enhanced) resolution (amount of retained information per area) than that of an acquisition device (camera and optics). High resolution images can be combined with a variety of methods, such as combining multiple low resolution images, adding information based on some learned set with samples containing high resolution patch pairs with low resolution versions, or finding similar areas in the image itself. Can be obtained by completing the missing information. High resolution images can reduce aliasing and improve edge information. The super resolution image can be generated by scanning multiple times at low resolution, with each scan being shifted by a portion of the pixel relative to the other pixel.

반복되는 특징의 해상도는 동일한 스캔 도중 파악되는 유사한 특징에 대한 다수의 이미지를 사용함으로써 향상될 수 있다. The resolution of repeated features can be improved by using multiple images for similar features found during the same scan.

오브젝트 클래스 모델(440)은 오브젝트 모델로도 언급된다. 오브젝트 클래스 모델은 주어진 클래스에 속하는 하나/다수의 오브젝트를 기술하기 위해 사용된다. 이미징 모드의 경우, 각각의 오브젝트 클래스 모델은 다른 파라미터들 중에서 다음 중 적어도 하나를 포함할 수 있다: (a) 2D 기준 패치 이미지(전체 오브젝트의 샘플 이미지 및/또는 질감의 예의 샘플 이미지), (b) 3D 기준 패치 이미지, (c) 질감 특성, (d) 일부 기준 프레임워크에 대한 클래스의 각 오브젝트의 상대적인 위치, (e) 클래스의 각 오브젝트의 배향, (f) 2D 스케일, (g) 3D 스케일, (h) 상기 모든 파라미터의 통계적 가변성(statistical variability).Object class model 440 is also referred to as an object model. The object class model is used to describe one or more objects that belong to a given class. For imaging mode, each object class model may include at least one of the following among other parameters: (a) 2D reference patch image (sample image of the entire object and / or sample image of the texture), (b ) 3D reference patch image, (c) texture properties, (d) the relative position of each object in the class relative to some reference framework, (e) the orientation of each object in the class, (f) 2D scale, (g) 3D scale (h) statistical variability of all the above parameters.

전형적인 오브젝트는, 예를 들어 솔더 범프, 골드 범프 및 패드일 수 있으나, 임의의 기하학적으로 정의 가능한 오브젝트를 포함할 수도 있다. Typical objects may be, for example, solder bumps, gold bumps and pads, but may include any geometrically definable object.

다이, 웨이퍼 및 오브젝트 클래스 모델은 모델 특성을 기술하는 인위적으로 생성된 벡터 데이터를 포함하여, 데이터 양을 줄이고 보다 적은 인터폴레이션 에러로 스케일링/스케일 변화를 가능하게 할 수도 있다. Die, wafer, and object class models may include artificially generated vector data describing the model characteristics, reducing the amount of data and enabling scaling / scale changes with less interpolation errors.

도 5는 모델링 단계(450) 전에 수행되는 정의 단계(450)를 도시한다. 5 shows a definition step 450 performed before the modeling step 450.

정의 단계(450)는 기준 프레임워크로 사용하기 위해 ROI(region of interest)를 생성하는 단계(452)를 포함할 수 있다. The defining step 450 may include generating 452 a region of interest (ROI) for use as a reference framework.

상기 생성 단계 후, 오브젝트 클래스를 식별하는 단계(454)(또는 오브젝트의 분류를 수신하는 단계)(오브젝트 클래스는 유사한 클래스 오브젝트를 포함함) 및 조악한(coarse) 모델을 생성하는 단계가 수행된다. After the generating step, identifying the object class 454 (or receiving a classification of the object) (the object class comprises similar class objects) and generating a coarse model are performed.

오브젝트는 임의의 정의 가능한 오브젝트일 수 있다. 오브젝트는 기하학적인 특징에 관하여 웨이퍼/웨이퍼들에 걸쳐 어느 정도 변경될 수 있다(변환). 오브젝트 클래스의 예는 솔더 범프, 패드 또는 골드 범프를 포함할 수 있다. The object may be any definable object. The object may change (transform) to some extent across the wafer / wafers with respect to the geometrical feature. Examples of object classes may include solder bumps, pads, or gold bumps.

정의 단계(450)의 단계(454) 후에, 모델링 단계(460)의 단계(462)가 수행될 수 있다. 단계(462)는 ROI(전체 웨이퍼, 롯(lot) 등)의 하나의 예 그리고 바람직하게 다수의 예를 스캐닝하는 단계를 포함한다. After step 454 of definition step 450, step 462 of modeling step 460 may be performed. Step 462 includes scanning one example and preferably multiple examples of ROI (whole wafer, lot, etc.).

단계(462) 후, 각각의 프레임에 대하여, ROI 기준 프레임에 대한 오브젝트 클래스에 의해 정의된 대로 오브젝트의 관련 부분을 발견하고, 상기 클래스에 대한 데이터를 수집하는 단계(464)가 수행된다. After step 462, for each frame, step 464 is performed to find the relevant portion of the object as defined by the object class for the ROI reference frame and collect data for that class.

단계(464) 후, 상기 클래스에 대한 보다 정교한 모델을 생성하고, 다수의 샘플로부터의 동일한 피쳐(features)의 특성을 통합하는 단계(466)가 수행된다. After step 464, step 466 is performed to generate a more sophisticated model for the class and to incorporate the properties of the same features from multiple samples.

단계(466) 후, 클래스의 멀티 피쳐 모델(멀티-레벨 모델) 뿐만 아니라, 기준 프레임워크에 대한 해당 클래스의 오브젝트의 초기 예상 위치를 저장하는 단계(468)(상기 단계는 모델링 단계(460)에 포함됨)가 수행된다. After step 466, storing 468 an initial expected position of an object of that class relative to the reference framework, as well as the multi-feature model of the class (multi-level model) (the step is followed by modeling step 460). Included) is performed.

도 6은 조악한 모델을 생성하는 단계(510) 및 정교한 모델을 생성하는 단계(520)를 도시한다. 6 shows a step 510 of generating a coarse model and a step 520 of generating a sophisticated model.

단계(510)는 단계(502, 504, 512, 516 및 518)을 포함할 수 있다. 단계(502) 후, 단계(504 및 512)가 수행된다. 단계(512)는 단계(512, 514, 516 및 518)을 포함하는 일련의 단계들을 시작한다. Step 510 may include steps 502, 504, 512, 516, and 518. After step 502, steps 504 and 512 are performed. Step 512 begins a series of steps including steps 512, 514, 516, and 518.

단계(502)는 동일한 클래스 오브젝트를 식별한 후, 오브젝트의 피쳐를 학습하는 단계를 포함한다. Step 502 includes identifying the same class object and then learning features of the object.

단계(504)는 클래스의 모델로 하나의 오브젝트 클래스를 사용하는 단계를 포함한다. 예를 들어, 다이에 오직 하나의 오브젝트(예컨대, 사각형 패드)가 있는 경우, 첫 단계에서 프로세스는 다이 내에 있는 하나의 오브젝트에 관한 정보를 추출하기 위해, 다이의 초기 포착 이미지를 사용할 수 있다. 그 후, 프로세스는 오브젝트에 대한 정보의 양(전술한 바와 같이, 유사한 사이즈 편차, 위치 안정성, 에지 정보 등)을 늘리기 위해 다른 다이스를 사용할 수 있다.Step 504 includes using one object class as a model of the class. For example, if there is only one object (eg, rectangular pad) on the die, in the first step the process may use the initial captured image of the die to extract information about one object in the die. The process can then use other dice to increase the amount of information about the object (similar size variations, positional stability, edge information, etc., as described above).

단계(512)는 클래스 당 다수의 오브젝트를 사용하여 결합된 모델을 생성하는 단계를 포함한다. Step 512 includes generating a combined model using multiple objects per class.

단계(514)는 오브젝트의 유사한(동일하지는 않음) 기하학적인 피쳐를 기반으로 일반적인 기하학적 모델(스케일 및 형상)을 정의하는 단계를 포함한다. Step 514 includes defining a general geometric model (scale and shape) based on similar (but not identical) geometric features of the object.

단계(516)는 클래스의 각 오브젝트에 대해 기하학적인 변환을 적용하여, 클래스의 모든 오브젝트를 정규화하는 단계를 포함한다. Step 516 includes applying geometric transformations to each object of the class to normalize all objects of the class.

단계(518)는 정규화된 오브젝트의 다수의 특징을 독출하는 단계를 포함한다. Step 518 includes reading a number of features of the normalized object.

정교한 모델을 생성하는 단계(520)는 단계(510)와 균등할 수 있으나, 동일한 클래스로 발견된 오브젝트가 기하학적인 기준 모델을 변경하지 않고 상기 모델에 정규화되는 점이 차이가 있을 수 있다. The step 520 of generating the elaborate model may be equivalent to the step 510, but there may be a difference in that objects found with the same class are normalized to the model without changing the geometric reference model.

예를 들어, 모델은 오브젝트에 대한 다수의 레벨을 갖는 기준을 제공하도록 일부 오브젝트로 만들어질 수 있다. 그리고 나서, 상기 오브젝트에 대한 보다 많은 정보가 수신될 수 있고, 상기 오브젝트의 보다 많은 샘플이 스캐닝될 수 있다. 기준 오브젝트의 기하학적인 정보(유사한 사이즈 및 위치)가 연속적으로 변하는 대신, 정보가 새로운 샘플로부터 수집되고, 모델로 "제시되고(cast)", 그리고 모델에 세부내용을 추가할 수 있다. 이는 기하학적인 정보가 기준에 의해 제공된 공통된 기반을 연속적으로 변경하는 것이 손실을 유발할 수 있기 때문이다. 모든 추가적인 피쳐가 다수의 샘플을 사용하여 업데이트될 수 있다. For example, a model may be made of some objects to provide a criterion with multiple levels of objects. Then, more information about the object can be received, and more samples of the object can be scanned. Instead of the geometric information (similar size and position) of the reference object varying continuously, the information can be collected from a new sample, "casted" into the model, and added details to the model. This is because the geometric information continuously changing the common basis provided by the criteria can cause loss. All additional features can be updated using multiple samples.

본 발명의 다양한 실시예에 따르면, 피쳐는 다음 중 하나일 수 있다: (a) 스케일, 배향 등의 가변성 정보를 포함한 기하학적인 정보, (b) 파라미터에 관한 것이거나 샘플 패치(이미지)에 관한 것일 수 있는 질감 정보/패턴 정보, (c) 초 분해된 다수의 샘플, (d) 서로 다른 스케일(높이 정보에 따른 스케일을 포함함), 웨이퍼 상의 서로 다른 위치 등에 관한 다수의 변화. 각각의 피쳐는 상기 피쳐의 분포/가변성에 관한 정보를 포함하는 통계적인 정보를 포함할 수 있다. According to various embodiments of the invention, the feature may be one of: (a) geometric information including variability information such as scale, orientation, etc., (b) relating to parameters or to sample patches (images) Texture information / pattern information that may be present, (c) multiple samples decomposed in seconds, (d) different scales (including scale according to height information), different variations on different locations on the wafer, and the like. Each feature may include statistical information including information about the distribution / variability of the feature.

다수의 샘플로부터 피쳐의 특성을 통합시키는 방법은 피쳐에 따라 다를 수 있으며, 아웃라이어(outlier)를 제거하는 방법을 사용할 수 있다. The method of incorporating the features of a feature from a plurality of samples may vary from feature to feature, and methods of removing outliers may be used.

도 7은 단계(534) 전에 수행되는 단계(532), 단계(536) 전에 수행되는 단계(534), 단계(538) 전에 수행되는 단계(526), 단계(552, 540 및 542) 전에 수행되는 단계(538), 단계(554) 전에 수행되는 단계(552)(단계(552 및 554)는 둘 모두 동적인 모델 업데이트 단계(556)에 속함), 단계(556) 후에 수행되는 단계(540 및 542), 및 단계(540) 후에 수행되는 단계(542)를 설명한다. 7 is performed before step 532, before step 534, before step 534, before step 534, before step 538, before step 526, and after steps 526, 552, 540, and 542. Step 538, step 552 performed before step 554 (steps 552 and 554 both belong to dynamic model update step 556), steps 540 and 542 performed after step 556 ), And step 542 performed after step 540.

단계(532)는 프레임을 수신하는 단계를 포함한다. Step 532 includes receiving a frame.

단계(534)는 설정된 기준 프레임워크에 대한 프레임 내의 클래스의 오브젝트의 예상된 초기 오프셋에 관한 기준 정보를 독출하는 단계를 포함한다. Step 534 includes reading reference information regarding an expected initial offset of an object of a class in the frame for the established reference framework.

단계(536)은 클래스의 예상된 오브젝트를 검색하는 단계를 포함한다. Step 536 includes retrieving the expected object of the class.

단계(538)은 오브젝트의 기하학적인 피쳐를 학습하는 단계를 포함한다. Step 538 includes learning geometric features of the object.

단계(540)은 검사되는 기하학적인 피쳐에 매칭되도록 기준 모델을 기하학적으로 변환하는 단계를 포함한다. Step 540 includes geometrically transforming the reference model to match the geometric feature being examined.

단계(542)는 오브젝트가 기하학적으로 스펙 이미지에서 벗어난 경우, 상기 오브젝트를 결함으로 정의하는 단계를 포함한다. Step 542 includes defining the object as a defect if the object is geometrically out of specification image.

단계(552)는 기준 기하학적 특징에 매칭되도록 각각의 검사 오브젝트를 기하학적으로 변환하는 단계를 포함한다. 단계(554)는 로컬 프레임(local frame)/인 프레임(in-frame) 피쳐의 특성을 포함시키도록 정교하게 설정된 모델을 업데이트하는 단계를 포함한다. Step 552 includes geometrically transforming each inspection object to match the reference geometrical feature. Step 554 includes updating a model that has been elaborately set to include the properties of a local frame / in-frame feature.

구획화(Compartmentalization ( ZoningZoning ))

본 발명의 일 실시예에 따르면, 웨이퍼는 가상적으로 구역들로 분할된다. 구역은 시스템 구역 및 응용 구역을 포함할 수 있다. According to one embodiment of the invention, the wafer is virtually divided into zones. Zones may include system zones and application zones.

시스템 구역은 검사되는 패턴의 물리적인 특성을 기반으로 검출을 최적화하기 위해 사용될 수 있으며, 상기 물리적인 특성은 시스템에 의해 사용될 알고리즘 및 광학적 설정을 결정한다. System zones can be used to optimize detection based on the physical properties of the pattern being examined, which physical properties determine the algorithms and optical settings to be used by the system.

응용 구역은 각각의 응용 구역에 일반적인 DOI(defects of interest)를 기반으로 검출을 최적화하기 위해 사용될 수 있다. 검사 레시피는 응용 구역을 고려하고, 매칭된 알고리즘 및 DOI를 발견하기 위한 이미지 획득 조건을 획득할 수 있다.Application zones can be used to optimize detection based on defects of interest (DOI) common to each application zone. The inspection recipe may consider the application area and obtain image acquisition conditions for finding a matched algorithm and DOI.

시스템 구역은 웨이퍼 모델, 다이 모델, 오브젝트 모델 또는 그 조합을 기반으로 자동으로 결정될 수 있다. The system zone can be automatically determined based on the wafer model, die model, object model, or a combination thereof.

도 8을 참조하면, 웨이퍼의 이미지를 획득하는 단계(550) 후, 웨이퍼를 시스템 구역(562) 및 응용 구역(564)으로 분할하는 단계가 수행된다. Referring to FIG. 8, after obtaining 550 an image of the wafer, dividing the wafer into a system zone 562 and an application zone 564 is performed.

전술한 바와 같이, 시스템 구역 정보는 검사 도중 시스템에 의해 사용될 최적의 광학적 설정 및 알고리즘적 설정에 관한 것이다. As mentioned above, the system zone information relates to the optimal optical and algorithmic settings to be used by the system during the inspection.

응용 구역 정보는 특정 구역, 예컨대 기하학적인 사항, 즉 상한 및 하한과 검출 민감도에 대해 일반적인 DOI에 관한 것이다. 응용 구역은 응용 지식 기반을 사용하여 수동으로 또는 자동으로 생성될 수 있다. Application zone information relates to the general DOI for a particular zone, such as geometrical matters, ie upper and lower limits and detection sensitivity. Application zones can be created manually or automatically using an application knowledge base.

도 3을 다시 참조하면, 검사 단계(340) 도중, 구역 구획이 변경될 수 있고(370), 모델은 검사의 출력으로 조절될 수 있다. 구역의 조절은 동적인 구획화(danamic zoning)로 언급될 수 있다. 동적인 구획화는 검사 중인 특정 웨이퍼를 기반으로 하는 구획 및 기준 모델 정보를 조절하기 위해 실행 이미지(run-time images)를 사용할 수 있다. 이러한 조절은, 예를 들어 불안정한 오브젝트를 변경시킬 수 있다(즉, 적당한 국소화(localization)의 이동 및 범프의 스케일 변경).Referring again to FIG. 3, during the inspection step 340, the zone compartment may be changed 370, and the model may be adjusted to the output of the inspection. Control of zones may be referred to as danamic zoning. Dynamic compartmentalization can use run-time images to adjust compartmental and reference model information based on the particular wafer being inspected. Such an adjustment may, for example, alter an unstable object (ie, move the proper localization and change the scale of the bump).

추가적인 분석이 수행될 수 있다. 추가적인 분석은 보다 많은 정보를 수집하는 단계, 및 검사를 수행하고, 검사를 최적화하는 동시에 요구되는 처리 양을 줄이기 위해 사용하기 위해 요구되는 구체적인 이미징 모드 및 멀티 레벨 기준의 특정한 세부사항을 명시하기 위해 필요한 정보의 양을 감소시키는 단계를 포함할 수 있다. Further analysis can be performed. Further analysis is necessary to collect more information, and to specify specific details of specific imaging modes and multi-level criteria required for performing inspections, optimizing inspections, and reducing the amount of processing required. Reducing the amount of information.

추가적인 분석은 검사 도중 사용될 데이터를 제공할 수 있으며, 예를 들어 사용될 이미징 모드(360), 사용될 웨이퍼/다이/오브젝트 클래스 모델(350), 비교를 위해 사용될 알고리즘(380)을 결정할 수 있다. Additional analysis may provide data to be used during the inspection, for example, to determine the imaging mode 360 to be used, the wafer / die / object class model 350 to be used, and the algorithm 380 to be used for comparison.

구획화의 개념은 웨이퍼 레벨 뿐만 아니라 다이 레벨에서도 적용될 수 있다. The concept of partitioning can be applied at the die level as well as at the wafer level.

멀티 레벨 기준(Multi-level criteria ( MultileveledMultileveled referencereference ))

본 발명의 일 실시예에 따른 멀티 레벨 기준이 도 9에 도시된다. A multi level reference according to one embodiment of the invention is shown in FIG.

멀티 레벨 기준은 서로 다른 (N 개의) 이미지 획득 조건(571 내지 579)(전체적으로 (570)으로 도시되는 "조명/이미징 모드")을 포함하며, 상기 이미지 획득 조건은 서로 다른 센서, 다수의 알고리즘/실행 시간 세트(실행할 알고리즘 및 알고리즘 세트를 위한 상기 실행 시간 파라미터)의 서로 다른 구성(581 내지 583) 및 다수의(N 개의) 질감/패턴 초 해상도 기준(591 내지 593), 범프의 반지름(594)과 같은 사이즈 정보, 질감 패턴 클래스 ID(질감의 클래스를 나타냄), 질감/패턴으로부터 유도된 정보(에지 응답 분포, 진폭 및 방향, 그레이 레벨 분포 등), 3차원 정보(높이, 오브젝트의 임의의 3D모델과 같은 완성된 모델)(597)과 같은 다수의 기준 정보(모델 정보)(590)를 포함할 수 있다. The multi-level criteria include different (N) image acquisition conditions 571 to 579 ("lighting / imaging mode", shown generally at 570), wherein the image acquisition conditions are different sensors, multiple algorithms / Different configurations 581-583 of execution time sets (the execution time parameters for the algorithms and algorithm sets to be executed) and multiple (N) texture / pattern ultra resolution criteria 591-593, radius of bumps 594 Such as size information, texture pattern class ID (indicating the class of texture), information derived from texture / pattern (edge response distribution, amplitude and orientation, gray level distribution, etc.), three-dimensional information (height, any 3D of the object And a plurality of reference information (model information) 590, such as a completed model 597, such as a model.

검사 도중, 기준 세트는 알고리즘, 시행 시간 파라미터 및 조명/이미징 모드와 연관되어, 최적화된 결함 검출을 제공할 수 있다. 다수의 기준 세트가 다수의 알고리즘/실행 시간 세트와 함께 병렬적으로 사용될 수 있다. 또한, 하나보다 많은 이미징 모드가 광학 하드웨어의 제한에 따라 병렬적으로 사용될 수 있다. During the inspection, the reference set may be associated with algorithms, trial time parameters, and illumination / imaging modes to provide optimized defect detection. Multiple reference sets can be used in parallel with multiple algorithm / execution time sets. In addition, more than one imaging mode may be used in parallel depending on the limitations of the optical hardware.

도 10에 도시된 바와 같이, 하나의 기준 또는 기준 세트의 그룹, 하나의 알고리즘 또는 알고리즘의 그룹 및 하나의 이미징 모드 또는 이미징 모드의 그룹이 주어진 시간에 사용되는 경우, 이들은 스캔 도중 웨이퍼 영역을 가로질러 변경될 수 있다. As shown in FIG. 10, if one group of reference or sets of criteria, one algorithm or group of algorithms, and one imaging mode or group of imaging modes are used at a given time, they are across the wafer area during scanning. can be changed.

도 10은 두 개의 데이터 처리 구역(612 및 614)과 사이즈 및 형상이 상이하고, 두 개의 오브젝트 모델 구역(622 및 624)과 사이즈 및 형상이 상이한 세 개의 데이터 수집 구역(602, 604 및 606)을 도시한다. 10 shows three data collection zones 602, 604, and 606 that differ in size and shape from the two data processing zones 612 and 614, and differ in size and shape from the two object model zones 622 and 624. Illustrated.

본 발명의 일 실시예에 따르면, 멀티-레벨 모델은 오브젝트의 다수의 픽셀 단위 이하만큼 이동된 이미지를 포함할 수 있으며, 상기 픽셀 단위 이하만큼 이동된 이미지는 서로의 이미지로부터 픽셀 단위 이하의 오프셋만큼 이격된 부분에서 획득될 수 있다. 상기 멀티 레벨 모델은 픽셀 단위 이하로 이동된 이미지, 상기 픽셀 단위 이하로 이동된 이미지에 관한 정보 또는 이들의 조합을 포함할 수 있다. 검사 프로세스 도중, 오브젝트의 획득된 이미지는 모든(또는 일부의) 픽셀 단위 이하로 이동된 이미지와 비교될 수 있으며, 가장 잘 매칭되는 픽셀 단위 이하로 이동된 이미지가 관련 기준 이미지로 선택될 것이다. According to an embodiment of the present invention, the multi-level model may include an image shifted by a plurality of pixel units or less of an object, and the image shifted by the pixel unit or less is offset by each pixel or less from the image of each other. Can be obtained in spaced parts. The multi-level model may include information about an image shifted by a pixel unit or less, information about an image shifted by the pixel unit or less, or a combination thereof. During the inspection process, the acquired image of the object may be compared with the image shifted down to all (or some) pixels, and the image shifted down to the best matching pixel unit will be selected as the associated reference image.

멀티 레벨 기준 세트의 다른 특징이 도 11 내지 도 13을 참조로 설명된다. Other features of the multi-level reference set are described with reference to FIGS. 11 through 13.

검사 도중, 다수의 이미지(반드시 동일한 사이즈를 가질 필요는 없으나, 검사되는 물체의 적어도 일부의 공통 영역을 포함함, 각각의 이미지는 서로 다른 조명/광학 조건을 가짐)는 동시에 또는 순차적으로 획득될 수 있다. 그리고 나서, 이미지는 설정 도중 수집되거나/생성된 멀티 레벨 기준 정보에 대하여 비교되고 분석된다. 비교 및 분석은 다수의 알고리즘을 사용하여 수행되고, 특정한 타입의 작업, 이미지 및 구역에 맞추어 진다. During inspection, multiple images (not necessarily having the same size, but comprising at least some common areas of the object being inspected, each image having different illumination / optical conditions) can be obtained simultaneously or sequentially. have. The images are then compared and analyzed against the multi-level reference information collected / generated during setup. Comparisons and analyzes are performed using a number of algorithms, tailored to specific types of tasks, images, and regions.

도 11은 초기 분석 결과를 생성하기 위해 다수의 알고리즘 및 다수의 이미지를 사용하는 것을 도시하며, 표(632)는 어떤 이미지(열)가 어떤 알고리즘(행)에 의해 처리되어 초기 분석 결과를 제공할 것인지 나타낸다. 초기 분석 결과는 결함을 분류하기 위해 사용되는 조합된 결과를 제공하기 위해 결합된다(634). 11 illustrates the use of multiple algorithms and multiple images to generate initial analysis results, and table 632 shows which images (columns) are processed by which algorithms (rows) to provide the initial analysis results. Indicates whether it is. The initial analysis results are combined (634) to provide the combined results used to classify the defects.

초기 결과의 생성에 대한 두 개의 비-제한적인 예가 도 12 및 도 13에 도시된다. Two non-limiting examples of the generation of initial results are shown in FIGS. 12 and 13.

도 12에 도시된 예에서, 하나의 알고리즘(660)이 다수의(N 개의) 이미지(652 내지 658)를 사용하여, 물체의 공통적으로 다루어지는 영역에 관한 단일 세트의 초기 결과를 생성한다. 도 13은 동일한 이미지(670)에 적용되어 해당 이미지에 대한 병렬적인 초기 분석 결과를 제공하는 다수의 알고리즘(682 내지 686)을 도시한다. 다른 결합된 조합이 또한 가능하다. In the example shown in FIG. 12, one algorithm 660 uses multiple (N) images 652-658 to produce a single set of initial results for commonly treated areas of the object. 13 illustrates a number of algorithms 682-686 applied to the same image 670 to provide parallel initial analysis results for that image. Other combined combinations are also possible.

전술한 바와 같이, 도 11을 참조하면, 초기 분석 결과가 조합될 수 있으며(634), 후보 결함(조합된 결과)의 리스트가 생성되어 결함 및 결함 클래스로 더 분류될 수 있다(636). 이러한 구조는 검출 확률을 높이는 동시에 잘못된 결함률을 낮춘다. 조합하는 단계(634)는 선형적이거나, 비선형적이거나, 기정의되거나, 또는 감독되거나(supervised) 감독되지 않은 함수를 사용할 수 있다. 분류하는 단계(636)는 수동으로 구성되거나 학습될 수 있다. As discussed above, referring to FIG. 11, initial analysis results may be combined (634), and a list of candidate defects (combined results) may be generated and further classified into defects and defect classes (636). This structure increases detection probability while lowering false defect rates. Combining step 634 may use a linear, nonlinear, predefined, or supervised or unsupervised function. Classifying step 636 may be manually configured or learned.

도 14는 본 발명의 일 실시예에 따른 방법(900)을 도시한다. 14 illustrates a method 900 according to an embodiment of the present invention.

검사 레시피를 생성하는 방법(900)은, 시스템에 의해 검사되는 물체의 적어도 일부분의 이미지를 획득하는 단계(910)에 의해 시작될 수 있다. 검사되는 물체는 특정 클래스의 다수의 오브젝트를 포함할 수 있다. The method 900 of generating the inspection recipe may begin by obtaining 910 an image of at least a portion of the object being inspected by the system. The object to be inspected may include multiple objects of a particular class.

단계(910) 후, 검사 레시피를 제공하기 위해 이미지를 처리하는 단계(920)가 수행된다. 검사 레시피는 특정 클래스의 다수의 오브젝트를 대표하는 오브젝트 모델을 포함할 수 있다. 오브젝트 모델은 오브젝트 모델의 픽셀 값에 관한 통계적인 정보 및 적어도 하나의 추가적인 파라미터를 포함할 수 있으며, 상기 추가적인 파라미터는: 오브젝트 모델의 질감 특성, 오브젝트 모델의 배향, 특정 클래스의 적어도 두 개의 오브젝트들 간의 공간적인 관계, 다수의 오브젝트 중 적어도 하나의 3차원 이미지, 및 다수의 오브젝트 중 적어도 하나의 2차원 이미지를 포함할 수 있다.After step 910, processing 920 is performed to provide an inspection recipe. The inspection recipe may include an object model that represents multiple objects of a particular class. The object model may include statistical information about the pixel values of the object model and at least one additional parameter, wherein the additional parameters include: texture characteristics of the object model, orientation of the object model, between at least two objects of a particular class It may include a spatial relationship, a three-dimensional image of at least one of the plurality of objects, and a two-dimensional image of at least one of the plurality of objects.

오브젝트 모델은 적어도 두 개의 추가적인 파라미터를 포함할 수 있으며, 상기 저겅도 두 개의 추가적인 파라미터 또는 그보다 더 많은 파라미터는 전술한 추가적인 파라미터일 수 있다. The object model may include at least two additional parameters, and the two additional parameters or more parameters may be the aforementioned additional parameters.

본 발명의 일 실시예에 따르면, 검사되는 물체는 오브젝트의 다수의 클래스들을 포함할 수 있다. 오브젝트의 서로 다른 클래스는 사이즈, 형상, 오브젝트를 형성하는 물질 또는 이들의 조합에 의해 서로 상이할 수 있다. 검사되는 물체가 오브젝트의 다수의 클래스를 포함하는 경우, 단계(920)는 오브젝트의 각 클래스에 대하여(또는 적어도 두 개의 선택된 클래스에 대하여) 오브젝트 모델을 생성하는 단계를 포함할 수 있다. 그 결과, 단계(920)는 오브젝트의 각 클래스에 대하여, 오브젝트의 클래스의 다수의 오브젝트들을 대표하는 오브젝트 모델을 제공하도록 이미지를 처리하는 단계를 포함할 수 있다. According to one embodiment of the invention, the object to be inspected may comprise a plurality of classes of objects. Different classes of objects may differ from each other by size, shape, materials forming the object, or a combination thereof. If the object being inspected includes multiple classes of objects, step 920 may include generating an object model for each class of object (or for at least two selected classes). As a result, step 920 may include processing an image to provide, for each class of object, an object model representative of a plurality of objects of the class of the object.

검사되는 물체는 다수의 구역을 포함할 수 있다. 상이한 구역들이 검사되는 물체의 서로 다른 지점에 위치한다. 상이한 구역들은 동일한 사이즈 및 형상을 가질 수 있으나, 사이즈, 형상 또는 둘 모두가 서로 다를 수도 있다. 본 발명의 일 실시예에 따르면, 오브젝트 모델은 구역 당 생성될 수 있으며, 상기 오브젝트 모델은 구역 내에 위치하는 오브젝트의 정보를 기반으로 생성될 수 있다. The object to be inspected may comprise a number of zones. Different zones are located at different points of the object being inspected. Different zones may have the same size and shape, but may differ in size, shape or both. According to an embodiment of the present invention, an object model may be generated per zone, and the object model may be generated based on information of an object located in a zone.

그 결과, 단계(920)는 검사되는 물체의 적어도 두 개의 서로 다른 구역들 중 각각의 구역에 대하여, 검사되는 물체의 구역 내에 위치하는 특정 클래스의 다수의 오브젝트를 대표하는 오브젝트 모델을 제공하도록 이미지를 처리하는 단계를 포함할 수 있다. As a result, step 920 may generate an image for each of at least two different zones of the object being inspected to provide an object model representative of a plurality of objects of a particular class located within the zone of the object being inspected. Processing.

본 발명의 다른 실시예에 따르면, 오브젝트 모델은 오브젝트의 구역 및 클래스의 각 조합에 대하여 생성될 수 있다. 따라서, 단계(920)는 복수의 오브젝트 모델을 생성하는 단계를 포함할 수 있으며, 여기서 서로 다른 오브젝트 모델은 검사되는 물체 구역 및 오브젝트의 클래스 중 적어도 하나가 서로 상이할 수 있다. According to another embodiment of the present invention, an object model may be generated for each combination of zones and classes of objects. Thus, step 920 may include generating a plurality of object models, where different object models may differ from each other in at least one of the object zone and the class of object being inspected.

본 발명의 일 실시예에 따르면, 상기 방법은 다수의 모델, 예컨대 검사되는 물체의 모델, 다이의 모델(검사되는 물체가 웨이퍼인 경우)을 제공하도록 이미지를 처리할 수 있다. According to one embodiment of the invention, the method may process an image to provide a number of models, such as a model of the object being inspected, a model of the die (if the object being inspected is a wafer).

추가적인 모델의 생성은, 검사되는 물체의 모델을 제공하기 위해 이미지를 처리하는 단계(930) 및 다이 모델을 제공하기 위해 이미지를 처리하는 단계(940)로 설명된다. Creation of the additional model is described as processing 930 the image to provide a model of the object being inspected and processing the image 940 to provide a die model.

검사되는 물체의 모델은 매크로 정보 및 국부적인 조절 규칙을 포함할 수 있다. The model of the object being inspected may include macro information and local adjustment rules.

검사되는 물체가 웨이퍼인 경우, 다이 모델은 검사되는 물체의 다이의 모델일 수 있다. 다이 모델은 다수의 다이를 대표할 수 있다. If the object being inspected is a wafer, the die model may be a model of the die of the object being inspected. The die model may represent multiple dies.

본 발명의 일 실시예에 따르면, 단계(910)는 서로 다른 이미지 획득 조건을 적용함으로써, 검사되는 물체의 적어도 일부분의 이미지를 획득하는 단계를 포함할 수 있으며, 이미지 획득 조건은 조명 조건 및 광 수집 조건 중 적어도 하나를 포함하며, 단계(920)는 다수의 오브젝트 모델을 생성하는 단계를 포함할 수 있으며, 서로 다른 오브젝트 모델은 서로 다른 이미지 획득 조건 하에서 획득된 이미지를 처리함으로써 획득된다. According to one embodiment of the invention, step 910 may comprise acquiring an image of at least a portion of the object being inspected by applying different image acquisition conditions, wherein the image acquisition conditions include illumination conditions and light collection. Including at least one of the conditions, step 920 may include generating a plurality of object models, wherein different object models are obtained by processing images acquired under different image acquisition conditions.

본 발명의 일 실시예에 따르면, 상기 방법은 추가적인 검사 레시피 정보를 정의하는 단계를 포함할 수 있다. 추가적인 검사 레시피 정보는 서로 다른 구역, 예컨대 데이터 수집 구역, 데이터 처리 구역, 및 추가적으로 또는 대안적으로 오브젝트 모델 구역(이에 제한되지는 않음)을 정의하는 단계를 포함할 수 있다. According to one embodiment of the invention, the method may comprise defining additional inspection recipe information. The additional inspection recipe information may include defining different zones, such as but not limited to data collection zones, data processing zones, and additionally or alternatively object model zones.

따라서, 방법(900)은 다수의 구역을 정의하는 단계(960)를 포함할 수 있다. Thus, the method 900 may include defining 960 a plurality of zones.

단계(960)는 데이터 수집 구역의 세트, (b) 데이터 처리 구역의 세트 및 오브젝트 모델 구역의 세트, 및 (c) 오브젝트 모델 구역의 세트 중 적어도 하나를 정의하는 단계를 포함할 수 있다. Step 960 may include defining at least one of a set of data collection zones, (b) a set of data processing zones and a set of object model zones, and (c) a set of object model zones.

적어도 두 개의 서로 다른 데이터 수집 구역은, 데이터 수집 구역의 이미지를 획득할 때 적용될 적어도 하나의 이미지 획득 조건이 서로 상이할 수 있다. At least two different data collection zones may differ from each other in at least one image acquisition condition to be applied when acquiring an image of the data collection zone.

적어도 두 개의 데이터 처리 구역은, 데이터 처리 구역의 이미지에 적용될 처리 알고리즘이 서로 상이할 수 있다. The at least two data processing zones may differ from each other in processing algorithms to be applied to the image of the data processing zone.

데이터 수집 구역의 세트는 데이터 처리 구역의 세트와 상이할 수 있다. The set of data collection zones may be different from the set of data processing zones.

적어도 두 개의 서로 다른 오브젝트 모델 구역은, 오브젝트 모델 구역의 이미지를 처리할 때 사용될 오브젝트 모델이 서로 상이할 수 있다. The at least two different object model zones may differ from each other in the object model to be used when processing the image of the object model zone.

데이터 수집 구역의 세트는 데이터 처리 구역의 세트와 상이할 수 있다. 데이터 수집 구역의 세트는 오브젝트 모델 구역의 세트와 상이할 수 있다. 오브젝트 모델 구역의 세트는 데이터 처리 구역의 세트와 상이할 수 있다. The set of data collection zones may be different from the set of data processing zones. The set of data collection zones can be different from the set of object model zones. The set of object model zones may be different from the set of data processing zones.

도 15는 본 발명의 일 실시예에 따른 검사 레시피를 생성하는 방법(1000)을 도시한다. 15 illustrates a method 1000 of generating a test recipe, in accordance with an embodiment of the present invention.

방법(1000)은, 시스템에 의해, 검사되는 물체의 적어도 일부분의 이미지를 획득하는 단계(1010)로 시작할 수 있으며, 상기 검사되는 물체는 특정 클래스의 다수의 오브젝트를 포함한다. The method 1000 may begin by acquiring, by the system, an image of at least a portion of the object being inspected 1010, wherein the object being inspected includes a plurality of objects of a particular class.

단계(1010) 후, 검사 레시피를 제공하기 위해 이미지를 처리하는 단계(1020)가 수행되며, 상기 검사 레시피는 데이터 수집 구역의 세트 및 데이터 처리 구역의 세트를 포함한다. 적어도 두 개의 서로 다른 데이터 수집 구역은, 데이터 수집 구역의 이미지를 획득할 때 적용될 적어도 하나의 이미지 획득 조건이 서로 상이하다. 적어도 두 개의 데이터 처리 구역은, 데이터 처리 구역의 이미지에 적용될 처리 알고리즘이 서로 상이하다. After step 1010, step 1020 of processing an image to provide an inspection recipe is performed, the inspection recipe comprising a set of data collection zones and a set of data processing zones. At least two different data collection zones differ from each other in at least one image acquisition condition to be applied when acquiring an image of the data collection zone. At least two data processing zones differ from one another in processing algorithms to be applied to the image of the data processing zone.

데이터 수집 구역의 세트는 데이터 처리 구역의 세트와 상이할 수 있다. 따라서, 적어도 하나의 데이터 수집 구역은 대응하는 데이터 처리 구역과 사이즈 및 형상이 상이할 수 있어, 제 1 이미지 획득 조건을 적용함으로써 획득된 일부 픽셀이 제 1 알고리즘에 의해 처리되고, 제 2 이미지 획득 조건(제 1 이미지 획득 조건과 상이함)을 적용함으로써 획득된 다른 픽셀은 다른 알고리즘(제 1 알고리즘과 상이함)에 의해 처리될 수 있다. The set of data collection zones may be different from the set of data processing zones. Thus, the at least one data collection zone may differ in size and shape from the corresponding data processing zone, such that some pixels acquired by applying the first image acquisition condition are processed by the first algorithm, and the second image acquisition condition Other pixels obtained by applying (different from the first image acquisition condition) can be processed by another algorithm (different from the first algorithm).

단계(1020)는 특정 클래스의 다수의 오브젝트를 대표하는 다수의 오브젝트 모델을 제공하기 위해 이미지를 처리하는 단계를 포함할 수 있으며, 검사 레시피를 정의하는 단계는 오브젝트 모델 구역의 세트를 정의하는 단계를 포함하며, 적어도 두 개의 서로 다른 오브젝트 모델 구역은 오브젝트 모델 구역의 이미지를 처리할 때 사용될 오브젝트 모델이 서로 상이하다. Step 1020 may include processing an image to provide a plurality of object models representing a plurality of objects of a particular class, wherein defining the inspection recipe comprises defining a set of object model zones. And at least two different object model zones differ from one another in the object models to be used when processing the image of the object model zone.

데이터 수집 구역의 세트는 데이터 처리 구역의 세트와 상이하고, 오브젝트 모델 구역의 세트와 상이하다. The set of data collection zones is different from the set of data processing zones and the set of object model zones.

도 16은 본 발명의 일 실시예에 따른 물체를 검사하는 방법1100)을 도시한다. 16 illustrates a method 1100 for inspecting an object in accordance with an embodiment of the present invention.

방법(1100)은 검사 레시피를 수신하는 단계(1110) 또는 검사 레시피를 생성하는 단계(1120)를 포함할 수 있다. 검사 레시피는 방법(900), 방법(1000) 또는 그 조합 중 어느 하나를 사용하여 생성될 수 있다. The method 1100 may include receiving a test recipe 1110 or generating a test recipe 1120. The inspection recipe can be generated using any of the method 900, the method 1000, or a combination thereof.

단계(1110 및 1120) 후, 검사 레시피를 적용함으로써 물체를 검사하는 단계(1130)가 수행될 수 있다. 검사 레시피는 특정 클래스의 다수의 오브젝트를 대표하는 오브젝트 모델을 포함할 수 있다. 오브젝트 모델은 오브젝트 모델의 픽셀 값과 관련된 통계적인 정보 및 적어도 하나의 추가적인 파라미터를 포함할 수 있으며, 상기 추가적인 파라미터는: 오브젝트 모델의 질감 특성, 오브젝트 모델의 배향, 특정 클래스의 적어도 두 개의 오브젝트들 간의 공간적인 관계, 다수의 오브젝트 중 적어도 하나의 3차원 이미지, 및 다수의 오브젝트 중 적어도 하나의 2차원 이미지로부터 선택된다. After steps 1110 and 1120, step 1130 of inspecting the object by applying the test recipe may be performed. The inspection recipe may include an object model that represents multiple objects of a particular class. The object model may include statistical information related to pixel values of the object model and at least one additional parameter, wherein the additional parameters include: texture characteristics of the object model, orientation of the object model, between at least two objects of a particular class A spatial relationship, a three-dimensional image of at least one of the plurality of objects, and a two-dimensional image of at least one of the plurality of objects.

방법(1100)은 적어도 하나의 다른 검사되는 물체의 검사 도중 획득된 정보를 기반으로 검사 레시피를 업데이트하는 단계(1140)를 포함할 수도 있다. The method 1100 may include updating 1140 a recipe recipe based on information obtained during a scan of at least one other inspected object.

검사 레시피는 데이터 수집 구역의 세트 및 데이터 처리 구역의 세트의 정의를 포함할 수 있다. 그 결과, 단계(1130)는 데이터 수집 구역의 세트에 의해 정의된 이미지 획득 조건을 적용함으로써 이미지를 획득하는 단계 및 데이터 처리 구역의 세트에 의해 정의된 알고리즘으로 이미지를 처리하는 단계를 포함할 수 있다. The inspection recipe may include the definition of a set of data collection zones and a set of data processing zones. As a result, step 1130 may include acquiring the image by applying an image acquisition condition defined by the set of data collection zones and processing the image with an algorithm defined by the set of data processing zones. .

도 17은 본 발명의 일 실시예에 따른 방법(1700)을 도시한다. 도 19는 본 발명의 일 실시예에 따른 방법(1700)의 단계(1720)의 단계(1721 내지 1729)를 도시한다. 17 illustrates a method 1700 in accordance with an embodiment of the present invention. 19 illustrates steps 1721-1729 of step 1720 of the method 1700 in accordance with an embodiment of the present invention.

방법(1700)은, 데이터 획득 모듈에 의해, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계(1710)로 시작되며, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함한다. The method 1700 begins by acquiring, by a data acquisition module, data for at least a portion of the object being inspected, 1710, wherein the object being inspected includes at least one object of a particular class.

단계(1710) 후, 단계(1720 및 1730) 중 하나 또는 그 이상이 수행된다. After step 1710, one or more of steps 1720 and 1730 are performed.

단계(1720)는, 프로세서에 의해, 검사 레시피를 제공하기 위해 데이터를 처리하는 단계를 포함한다. 단계(1730)는 결함을 검출하기 위해 검사 레시피를 이용하면서 데이터를 처리하는 단계를 포함한다. Step 1720 includes processing, by the processor, the data to provide an inspection recipe. Step 1730 includes processing the data using inspection recipes to detect defects.

두 개의 단계(1720 및 1730)에 대하여, 검사 레시피는 특정 클래스의 오브젝트 모델을 포함한다. For two steps 1720 and 1730, the inspection recipe includes an object model of a particular class.

오브젝트 모델은 오브젝트(감지 수단으로부터 수신됨)의 픽셀 값을 대표하는 데이터 및 적어도 하나의 추가적인 기하학적 파라미터를 포함할 수 있으며, 상기 추가적인 기하학적 파라미터는 적어도: 오브젝트 모델의 형상, 오브젝트 모델의 사이즈, 오브젝트 모델의 위치 및 오브젝트 모델의 배향 중 선택된다. The object model may comprise data representative of pixel values of the object (received from the sensing means) and at least one additional geometric parameter, said additional geometric parameter being at least: the shape of the object model, the size of the object model, the object model The position of and the orientation of the object model are selected.

검사 레시피는 규칙들의 적어도 하나의 조합을 포함할 수 있으며, 각각의 규칙들의 조합은 데이터 수집 규칙, 데이터 처리 규칙 및 적어도 하나의 처리 결과에 대한 적어도 하나의 응답에 관련된 응답 규칙 중 적어도 두 개의 규칙을 포함한다. 데이터 수집 규칙은 광학적 조명 규칙 및 광학적 수집 규칙을 포함한다. The inspection recipe may comprise at least one combination of rules, each combination of rules comprising at least two rules of a data collection rule, a data processing rule and a response rule related to at least one response to the at least one processing result. Include. The data collection rules include optical illumination rules and optical collection rules.

본 발명의 일 실시예에 따르면, 오브젝트 모델은: 오브젝트 모델의 배향, 특정 클래스의 적어도 두 개의 오브젝트들 간의 공간적인 관계, 특정 클래스의 오브젝트의 3차원 이미지, 및 특정 클래스의 오브젝트의 2차원 이미지 중 선택된 적어도 두 개의 추가적인 파라미터를 포함할 수 있다. According to one embodiment of the invention, an object model comprises: an orientation of an object model, a spatial relationship between at least two objects of a particular class, a three-dimensional image of an object of a particular class, and a two-dimensional image of an object of a particular class It may include at least two additional parameters selected.

단계(1720)는 오브젝트의 다수의 클래스 중 오브젝트의 각 클래스에 대하여, 오브젝트의 클래스의 다수의 오브젝트를 대표하는 오브젝트 모델을 제공하기 위해 적어도 일부분에 대한 데이터를 처리하는 단계(1721)를 포함할 수 있다. Step 1720 may include, for each class of the object of the plurality of classes of objects, processing 1721 data for at least a portion to provide an object model representative of the plurality of objects of the class of objects. have.

단계(1720)는 검사되는 물체의 적어도 두 개의 서로 다른 영역 중 각 영역에 대하여, 검사되는 물체의 영역 내에 위치하는 특정 클래스의 다수의 오브젝트를 대표하는 오브젝트 모델을 제공하기 위하여 이미지를 처리하는 단계(1722)를 포함할 수 있다. Step 1720 may include processing an image to provide, for each of at least two different areas of the object being inspected, an object model representative of a plurality of objects of a particular class located within the area of the object being inspected ( 1722).

검사되는 물체의 적어도 일부는 검사되는 물체 그 전체일 수 있다. 단계(1720)는 검사되는 물체의 모델을 제공하기 위해, 검사되는 물체의 적어도 일부분에 대한 데이터를 처리하는 단계(1723)를 포함할 수 있다. 검사되는 물체의 모델은 매크로 정보 및 국부적인 조절 규칙을 포함할 수 있다. At least a portion of the object to be inspected may be the whole of the object to be inspected. Step 1720 can include processing 1723 data for at least a portion of the object being inspected to provide a model of the object being inspected. The model of the object being inspected may include macro information and local adjustment rules.

검사되는 물체는 다수의 다이를 포함할 수 있는 웨이퍼일 수 있으며, 다수의 다이들의 각 다이는 특정 클래스의 다수의 오브젝트를 포함할 수 있으며, 단계(1720)는 다수의 다이를 대표하는 다이 모델을 제공하기 위해 이미지를 처리하는 단계(1724)를 포함할 수 있다. 상기 방법은 규칙의 서로 다른 조합을 적용함으로써 데이터를 획득하는 단계를 포함할 수 있다. The object being inspected may be a wafer, which may include a number of dies, each die of the plurality of dies may include a number of objects of a particular class, and step 1720 is a die model representing the plurality of dies. Processing 1724 for providing the image. The method may include acquiring data by applying different combinations of rules.

단계(1720)는 다수의 오브젝트 모델을 생성하는 단계(1725)를 포함할 수 있으며, 서로 다른 오브젝트 모델은 규칙의 서로 다른 조합을 적용함으로써 획득된다. Step 1720 may include generating a number of object models 1725, where different object models are obtained by applying different combinations of rules.

단계(1720)는 검사되는 물체의 적어도 일부의 동일한 위치에 규칙의 서로 다른 조합을 적용하는 단계(1726)를 포함할 수 있다. Step 1720 may include applying 1726 different combinations of rules to the same location of at least a portion of the object being inspected.

검사 레시피는 다수의 타입의 구역들의 다수의 구역을 정의할 수 있으며, 제 1 타입의 적어도 하나의 구역 및 제 2 타입의 적어도 하나의 다른 구역은 부분적으로 중첩되며, 구역의 타입은 데이터 수집 구역, 데이터 처리 구역 및 응답 구역 중 적어도 두 개를 포함할 수 있으며, 서로 다른 데이터 수집 구역은 서로 간에 적어도 하나의 데이터 수집 규칙이 상이하며, 서로 다른 데이터 처리 구역은 서로 간에 적어도 하나의 데이터 처리 규칙이 상이하며, 서로 다른 응답 구역은 서로 간에 적어도 하나의 응답 규칙이 상이하다. The inspection recipe may define multiple zones of multiple types of zones, at least one zone of the first type and at least one other zone of the second type partially overlapping, the type of zone being a data collection zone, And at least two of a data processing zone and a response zone, different data collection zones having at least one data collection rule different from each other, and different data processing zones having at least one data processing rule different from each other. And different response zones have at least one response rule different from each other.

구역들 간의 중첩이 제 1 타입의 구역과 제 2 타입의 구역 중 적어도 하나와 서로 상이한 경우, 구역들 중 제 1 타입의 구역 및 제 2 타입의 구역은 부분적으로 중첩된다. If the overlap between the zones is different from at least one of the zone of the first type and the zone of the second type, the zone of the first type and the zone of the second type of the zones partially overlap.

구역의 타입은 데이터 수집 구역 및 데이터 처리 구역 및 응답 구역을 포함할 수 있다. Types of zones may include data collection zones and data processing zones and response zones.

적어도 두 개의 데이터 처리 구역은 서로 간에, 데이터의 처리 도중 사용될 오브젝트 모델을 정의하는 데이터 처리 규칙이 상이할 수 있다. The at least two data processing zones may differ from one another in data processing rules defining an object model to be used during processing of the data.

상기 방법은, 다수의 이터레이션 도중 적용되는 규칙의 조합이 서로 상이한 데이터 획득의 다수의 이터레이션을 수행함으로써, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계(단계(1711)); 및 상기 데이터를 기반으로 서로 다른 타입의 구역의 서로 다른 구역을 정의하는 단계(1727)를 포함할 수 있으며, 구역의 타입은 데이터 수집 구역 및 데이터 처리 구역 중 적어도 하나를 포함할 수 있다. 그 결과, 구역을 정의하는 것은 서로 다른 데이터 이터레이션의 서로 다른 출력을 기반으로 자동으로 수행될 수 있다. 예를 들어, 제 1 영역(또는 상기 영역의 결함)이 규칙의 제 1 조합을 적용하는 경우 가장 잘 관찰되며 제 2 영역(또는 상기 영역의 결함)이 규칙의 제 2 조합을 적용하는 경우 가장 잘 관찰되는 경우, 제 1 영역은 규칙의 제 1 조합이 적용되어야 하는 구역으로 정의되고, 제 2 영역은 규칙의 제 2 조합이 적용되는 다른 구역으로 관찰되어야 한다. The method includes obtaining data for at least a portion of the object being inspected (step 1711) by performing multiple iterations of data acquisition where the combination of rules applied during multiple iterations differ from each other; And defining different zones of different types of zones based on the data (1727), and the type of zone may include at least one of a data collection zone and a data processing zone. As a result, defining zones can be performed automatically based on different outputs of different data iterations. For example, it is best observed when the first region (or a defect in the region) applies the first combination of rules and best when the second region (or a defect in the region) applies a second combination of rules. If observed, the first area should be defined as the area where the first combination of rules should be applied and the second area should be observed as another area to which the second combination of rules applies.

단계(1720)는 검사되는 물체의 적어도 일부의 서로 다른 위치에서 획득된 데이터의 퀄리티를 기반으로 서로 다른 구역을 정의하는 단계(1728)를 포함할 수 있다. 데이터의 퀄리티는 결함이 관찰될 수 있는 선명도(예를 들어, 보다 선명한 결함, 주변 콘트라스트), 센서가 포화되는지 여부 등을 의미할 수 있다. Step 1720 may include defining 1728 different zones based on the quality of the data obtained at different locations of at least a portion of the object being inspected. The quality of the data may refer to the clarity (eg, sharper defects, peripheral contrast) at which defects can be observed, whether the sensor is saturated or the like.

단계(1720)는 검사되는 물체의 적어도 일부의 서로 다른 위치에서 규칙의 서로 다른 조합으로 획득된 데이터 간의 차이를 기반으로 서로 다른 구역을 정의하는 단계(1729)를 포함할 수 있다. Step 1720 may include defining 1729 different zones based on differences between data obtained with different combinations of rules at different locations of at least some of the objects being inspected.

도 18은 본 발명의 일 실시예에 따른 방법(1800)을 도시한다. 도 20은 본 발명의 일 실시예에 따른 방법(1700)의 단계(1820)의 다양한 단계(1721 내지 1729)를 도시한다. 18 illustrates a method 1800 in accordance with an embodiment of the present invention. 20 illustrates various steps 1721-1729 of step 1820 of the method 1700 in accordance with one embodiment of the present invention.

방법(1800)은, 데이터 획득 모듈에 의해, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계(1810)로 시작될 수 있으며, 상기 검사되는 물체는 특정 클래스의 적어도 하나의 오브젝트를 포함할 수 있다. The method 1800 may begin by acquiring, by a data acquisition module, data for at least a portion of the object being inspected 1810, wherein the object being inspected may include at least one object of a particular class. .

단계(1810) 후, 단계(1820) 및 단계(1830) 중 하나 또는 그 이상이 수행될 수 있다. After step 1810, one or more of steps 1820 and 1830 may be performed.

단계(1820)는, 프로세서에 의해, 검사 레시피를 제공하기 위해 데이터를 처리하는 단계를 포함한다. 단계(1820)는, 프로세서에 의해, 결함을 검출하기 위해 검사 레시피를 사용하면서 데이터를 처리하는 단계를 포함한다. Step 1820 includes processing, by the processor, the data to provide an inspection recipe. Step 1820 includes processing, by the processor, the data while using the inspection recipe to detect the defect.

두 경우(단계(1810 및 1820)) 모두, 검사 레시피는 다수의 타입의 구역의 다수의 구역을 포함할 수 있으며, 구역 중 제 1 타입의 적어도 하나의 구역 및 제 2 타입의 적어도 하나의 다른 구역은 부분적으로 중첩되며, 구역의 타입은 데이터 수집 구역, 데이터 처리 구역 및 응답 구역 중 적어도 두 개를 포함할 수 있으며, 서로 다른 데이터 수집 구역은 적어도 하나의 데이터 수집 규칙이 서로 상이하고, 서로 다른 데이터 처리 구역은 적어도 하나의 데이터 처리 규칙이 서로 상이하고, 서로 다른 응답 구역은 적어도 하나의 응답 규칙이 서로 상이하다. In both cases (steps 1810 and 1820), the inspection recipe may include multiple zones of multiple types of zones, at least one zone of the first type of zone and at least one other zone of the second type. Are partially overlapped, and the type of zone may include at least two of a data collection zone, a data processing zone, and a response zone, wherein different data collection zones have at least one data collection rule different from each other, and different data. The processing zones differ from each other by at least one data processing rule, and the different response zones differ from each other by at least one response rule.

구역들 간의 중첩이 제 1 타입의 구역과 제 2 타입의 구역 중 적어도 하나와 상이한 경우, 구역들 중 제 1 타입의 구역 및 제 2 타입의 구역은 부분적으로 중첩된다. If the overlap between the zones is different from at least one of the zone of the first type and the zone of the second type, the zone of the first type and the zone of the second type of zones partially overlap.

적어도 두 개의 데이터 처리 구역은 데이터의 처리 도중 이용될 오브젝트 모델을 정의하는 데이터 처리 규칙이 서로 상이할 수 있다. The at least two data processing zones may differ from each other in data processing rules defining an object model to be used during processing of the data.

상기 방법(1800)은 구역을 자동으로 정의하는 것을 포함할 수 있다. 상기 구역을 자동으로 정의하는 것은, 예를 들어 단계(1810 및 1820)의 다수의 이터레이션에 의해 획득될 수 있다. 따라서, 방법(1800)은 다수의 이터레이션 도중 적용되는 규칙의 조합이 서로 다른, 데이터 획득의 다수의 이터레이션을 수행함으로써, 검사되는 물체의 적어도 일부분에 대한 데이터를 획득하는 단계(1810); 및 상기 데이터를 기반으로 서로 다른 타입의 구역의 서로 다른 구역을 정의하는 단계(1820)를 포함할 수 있으며, 구역의 타입은 데이터 수집 구역 및 데이터 처리 구역 중 적어도 하나를 포함할 수 있다. 단계(1810 및 1820)의 반복 및 이들을 실행하는 처리가 단계(1810 및 1820)의 추가적인 반복이 요구되는지 여부를 결정하는 제어 단계(1840)에 의해 설명된다. The method 1800 may include automatically defining a zone. Automatically defining the zone can be obtained, for example, by multiple iterations of steps 1810 and 1820. Thus, the method 1800 may include obtaining data for at least a portion of the object being inspected by performing multiple iterations of data acquisition, wherein the combination of rules applied during multiple iterations is different; And defining 1820 different zones of different types of zones based on the data, and the type of zones may include at least one of a data collection zone and a data processing zone. The repetition of steps 1810 and 1820 and the processing to execute them are described by a control step 1840 that determines whether additional repetitions of steps 1810 and 1820 are required.

단계(1820)는 검사되는 물체의 적어도 일부의 서로 다른 위치에서 획득된 데이터의 퀄리티를 기반으로 서로 다른 구역을 정의하는 단계(1822)를 포함할 수 있다. Step 1820 may include defining 1822 different regions based on the quality of the data obtained at different locations of at least a portion of the object being inspected.

단계(1820)는 검사되는 물체의 적어도 일부의 서로 다른 위치에서 규칙의 서로 다른 조합으로 획득되는 데이터 간의 차이를 기반으로 서로 다른 구역을 정의하는 단계(1823)를 포함할 수 있다. Step 1820 may include defining 1823 different zones based on differences between the data obtained with different combinations of rules at different locations of at least some of the objects being inspected.

전술한 방법은 비-일시적인 컴퓨터로 읽을 수 있는 매체, 예컨대 디스크, 디스켓, 테잎, 집적 회로, 저장장치 등에 저장된 명령을 실행하는 컴퓨터에 의해 실행될 수 있다. The method described above may be executed by a computer executing instructions stored on a non-transitory computer readable medium such as a disk, diskette, tape, integrated circuit, storage device, or the like.

Claims

In the method of creating or using an inspection recipe,
Acquiring, by the data acquisition module, data for at least a portion of the object being inspected, the object being inspected comprising at least one object of a particular class; And
(A) processing, by a processor, the data to provide the inspection recipe; And (b) performing at least one data processing operation of processing the data while using the inspection recipe to detect a defect,
The inspection recipe includes an object model, wherein the object model is:
Data representative of pixel values of the object (the object is received from sensing means); And
And at least one additional geometric parameter selected from at least the shape of the object model, the size of the object model, the position of the object model, and the orientation of the object model.

The method of claim 1,
Processing the data while using the inspection recipe to detect a defect; And acquiring, by the data acquisition module, data for at least a portion of the object being inspected,
And the object being inspected comprises at least one object of a particular class.

The method of claim 1,
Processing, for each class of the object of the plurality of classes of objects, processing data for the at least a portion to provide an object model representative of the plurality of objects of the class of the object. How to create or use a recipe.

The method of claim 1,
Processing an image for each of at least two different areas of the object being inspected to provide an object model representative of a plurality of objects of the particular class located within the area of the object being inspected. How to create or use a test recipe, characterized in that.

The method of claim 1,
At least a portion of the object being inspected is all of the object being inspected,
The method of generating or using the inspection recipe comprises processing data for at least a portion of the object to be inspected to provide a model of the object to be inspected,
And the model of the object being inspected includes macro information and local adjustment rules.

The method of claim 1,
The object to be inspected is a wafer comprising a plurality of dies,
Each of the plurality of dies comprises a plurality of objects of the particular class,
The method of generating or using an inspection recipe comprises processing an image to provide a die model representative of the plurality of dies.

The method of claim 1,
Obtaining the data by applying different combinations of rules.

The method of claim 1,
Generating a plurality of object models,
Different object models are obtained by applying different combinations of rules.

The method of claim 1,
Acquiring the data comprises applying different combinations of rules to the same location of at least a portion of the object being inspected.

The method of claim 1,
The inspection recipe defines multiple zones of multiple zone types,
At least one zone of the first zone type is different from at least one other zone of the second zone type,
The zone type comprises at least two of a data collection zone, a data processing zone and a response zone,
Different data collection zones have at least one data collection rule different from each other,
Different data processing zones have at least one data processing rule different from each other,
Different response zones, wherein at least one response rule is different from each other.

The method of claim 10,
The zone type comprises the data collection zone, the data processing zone and the response zone.

The method of claim 10,
The zone type comprises the data collection zone and the data processing zone.

The method of claim 10,
Wherein at least two data processing zones differ from each other in data processing rules defining an object model to be used during processing of the data.

The method of claim 1,
Acquiring data for at least a portion of the object being inspected by performing a plurality of iterations of a data acquisition step wherein the combination of rules applied during the plurality of iterations are different from each other; And
Defining different zones of different zone types based on the data;
The zone type comprises at least one of a data collection zone and a data processing zone.

The method of claim 14,
Defining the different zones based on the quality of the data obtained at different locations of at least a portion of the object being inspected.

The method of claim 14,
Defining the different zones based on the difference between the data obtained with different combinations of rules at different locations of at least a portion of the object being inspected. .

The method of claim 14,
The inspection recipe includes at least one combination of an object model and a rule of the particular class,
Each combination of rules includes at least two of a data collection rule, a data processing rule, and a response rule related to at least one response to at least one processing result,
Wherein said data collection rule comprises an optical illumination rule and an optical collection rule.

In the method of creating or using an inspection recipe,
Acquiring, by the data acquisition module, data for at least a portion of the object being inspected; And
(A) processing, by a processor, the data to provide the inspection recipe; And (b) performing at least one data processing operation of processing the data while using the inspection recipe to detect a defect;
The inspection recipe comprises multiple zones of multiple zone types,
At least one zone of the first zone type and at least one other zone of the second zone type partially overlap,
The zone type comprises at least two of a data collection zone, a data processing zone and a response zone,
Different data collection zones have at least one data collection rule different from each other,
Different data processing zones have at least one data processing rule different from each other,
Different response zones, wherein at least one response rule is different from each other.

19. The method of claim 18,
The zone type comprises the data collection zone, the data processing zone and the response zone.

19. The method of claim 18,
The zone type comprises the data collection zone and the data processing zone.

19. The method of claim 18,
Wherein at least two data processing zones differ from each other in data processing rules defining an object model to be used during processing of the data.

19. The method of claim 18,
Acquiring data for at least a portion of the object being inspected by performing a plurality of iterations of a data acquisition step wherein the combination of rules applied during the plurality of iterations are different from each other; And
Defining different zones of different zone types based on the data;
The zone type comprises at least one of a data collection zone and a data processing zone.

The method of claim 22,
Defining the different zones based on the quality of the data obtained at different locations of at least a portion of the object being inspected.

The method of claim 22,
Defining the different zones based on the difference between the data obtained with different combinations of rules at different locations of at least a portion of the object being inspected. .

Obtaining data for at least a portion of the object being inspected, the object being inspected comprising at least one object of a particular class; And
performing at least one data processing operation of (a) processing the data to provide an inspection recipe, and (b) processing the data while using the inspection recipe to detect a defect. Save the command for
The inspection recipe includes an object model of the specific class,
Data collection rules include optical lighting rules and optical collection rules,
The object model is:
Data representative of pixel values of the object (the object is received from sensing means); And
A non-transitory, computer-readable medium comprising at least one additional geometric parameter selected from at least the shape of the object model, the size of the object model, the location of the object model, and the orientation of the object model. .

Acquiring, by the data acquisition module, data for at least a portion of the object being inspected, the object being inspected comprising at least one object of a particular class; And
By the processor, (a) processing the data to provide an inspection recipe; And (b) performing at least one data processing operation of processing the data while using the inspection recipe to detect a defect,
The inspection recipe comprises multiple zones of multiple zone types,
At least one zone of the first zone type and at least one other zone of the second zone type partially overlap,
The zone type comprises at least two of a data collection zone, a data processing zone and a response zone,
Different data collection zones have at least one data collection rule different from each other,
Different data processing zones have at least one data processing rule different from each other,
Non-transitory, computer-readable medium, characterized in that different response zones are different from each other in at least one response rule.

A data acquisition module configured to acquire data for at least a portion of the object being inspected, the object being inspected comprising: a data acquisition module comprising at least one object of a particular class; And
(a) processing the data to provide an inspection recipe; And (b) a processor configured to perform at least one data processing operation of processing the data while using the inspection recipe to detect a defect;
The inspection recipe includes an object model of the specific class,
The object model is:
Data representative of pixel values of the object (the object is received from sensing means); And
At least one additional geometric parameter selected from at least the shape of the object model, the size of the object model, the position of the object model, and the orientation of the object model.

A data acquisition module configured to acquire data for at least a portion of the object being inspected, the object being inspected comprising: a data acquisition module comprising at least one object of a particular class; And
(a) processing the data to provide an inspection recipe; And (b) a processor configured to perform at least one data processing operation of processing the data while using the inspection recipe to detect a defect;
The inspection recipe comprises multiple zones of multiple zone types,
At least one zone of the first zone type and at least one other zone of the second zone type partially overlap,
The zone type comprises at least two of a data collection zone, a data processing zone and a response zone,
Different data collection zones have at least one data collection rule different from each other,
Different data processing zones have at least one data processing rule different from each other,
Different response zones, wherein at least one response rule differs from one another.